Subido por lesaco7312

Introducción-a-la-Psicometría-Teoría-Clásica-y-TRI-godc5h

Anuncio
Introducción
a la Psicometría
Teoría clásica y TRI
JOSÉ MUÑIZ
CATEDRÁTICO DE PSICOMETRÍA DE LA UNIVERSIDAD DE OVIEDO
Introducción
a la Psicometría
Teoría clásica y TRI
EDICIONES PIRÁMIDE
COLECCIÓN «PSICOLOGÍA»
Director:
Francisco J. Labrador
Catedrático de Modificación de Conducta
de la Universidad Complutense de Madrid
Edición en versión digital
Está prohibida la reproducción total o parcial
de este libro electrónico, su transmisión, su
descarga, su descompilación, su tratamiento
informático, su almacenamiento o introducción en cualquier sistema de repositorio y
recuperación, en cualquier forma o por cualquier medio, ya sea electrónico, mecánico,
conocido o por inventar, sin el permiso expreso escrito de los titulares del copyright.
© José Muñiz, 2018
© Primera edición electrónica publicada por Ediciones Pirámide (Grupo Anaya, S. A.), 2018
Para cualquier información pueden dirigirse a [email protected]
Juan Ignacio Luca de Tena, 15. 28027 Madrid
Teléfono: 91 393 89 89
www.edicionespiramide.es
ISBN digital: 978-84-368-3933-3
A mis hijas Laura y Marta.
A mi mujer Alejandra.
Índice
© Ediciones Pirámide
Prólogo ..........................................................................................................................
13
1.
Introducción ...........................................................................................................
15
1.
2.
3.
Orígenes y desarrollo de la teoría de los test ......................................................
Modelo lineal clásico ..........................................................................................
Deducciones inmediatas del modelo ..................................................................
16
21
22
2. Fiabilidad .................................................................................................................
25
1.
2.
3.
4.
5.
6.
7.
8.
9.
26
26
28
31
32
33
33
34
36
39
39
40
43
44
45
46
51
51
53
56
58
60
61
62
63
63
65
Coeficiente de fiabilidad .....................................................................................
Estimación empírica del coeficiente de fiabilidad ...............................................
Estimación de las puntuaciones verdaderas .......................................................
Fiabilidad de las diferencias ...............................................................................
Tipos de errores de medida ................................................................................
Factores que afectan a la fiabilidad ....................................................................
6.1. Fiabilidad y variabilidad ...........................................................................
6.2. Fiabilidad y longitud ................................................................................
6.3. Fiabilidad y nivel de las puntuaciones en el test .......................................
Coeficiente alfa (a) .............................................................................................
7.1. Concepto y fórmula ..................................................................................
7.2. Casos particulares de a .............................................................................
7.3. Cálculo de a mediante análisis de varianza ..............................................
7.4. Coeficiente beta (b) ...................................................................................
7.5. Coeficientes basados en el análisis factorial de los ítems ..........................
7.6. Inferencias sobre a ....................................................................................
Teoría de la generalizabilidad .............................................................................
8.1. Fuentes de error ........................................................................................
8.2. Conceptos básicos .....................................................................................
8.3. Diseños de recogida de datos ....................................................................
8.4. Coeficiente de generalizabilidad ................................................................
8.5. Estudios de generalizabilidad y estudios de decisión ................................
8.6. Error típico de medida ..............................................................................
8.7. Diseños de dos facetas ..............................................................................
Fiabilidad de los test referidos al criterio ...........................................................
9.1. Definición .................................................................................................
9.2. Métodos de estimación de la fiabilidad ....................................................
10 /
Índice
9.3. Establecimiento del punto de corte ...........................................................
9.4. Fiabilidad interjueces ................................................................................
9.5. Comentarios finales ..................................................................................
Ejercicios ...................................................................................................................
75
84
86
87
3. Validez .....................................................................................................................
101
1. Concepto ............................................................................................................
1.1. Evidencias de validez ................................................................................
2. Validez y fiabilidad .............................................................................................
2.1. Fórmulas de atenuación ............................................................................
2.2. Valor máximo del coeficiente de validez ...................................................
2.3. Validez y longitud del test .........................................................................
3. Validez y variabilidad .........................................................................................
3.1. Dos variables ............................................................................................
3.2. Tres variables ............................................................................................
3.3. Caso general .............................................................................................
4. Validez y predicción ...........................................................................................
4.1. Regresión simple .......................................................................................
4.2. Regresión múltiple ....................................................................................
4.2.1. Modelo .........................................................................................
4.2.2. Correlación múltiple .....................................................................
4.2.3. Correlación parcial y semiparcial .................................................
4.2.4. Variables moduladoras y supresoras .............................................
4.3. Validez y decisión .....................................................................................
4.3.1. Índices de validez ..........................................................................
4.3.2. Incidencia del punto de corte en los tipos de errores ...................
4.3.3. Curvas ROC .................................................................................
4.4. Selección y clasificación ............................................................................
4.4.1. Modelos de selección ....................................................................
4.4.2. Utilidad de la selección .................................................................
4.4.3. Clasificación .................................................................................
Ejercicios ...................................................................................................................
101
102
109
109
111
112
113
113
115
116
117
117
120
121
125
128
130
130
131
133
134
135
135
137
139
141
4. Análisis de los ítems .............................................................................................
149
1. Índice de dificultad .............................................................................................
2. Índice de discriminación ....................................................................................
2.1. Cálculo ......................................................................................................
2.2. Relación con algunos parámetros del test .................................................
3. Índice de validez .................................................................................................
3.1. Relación con los parámetros del test ........................................................
4. Análisis de las alternativas incorrectas ...............................................................
4.1. Número óptimo de alternativas ................................................................
5. Corrección del azar ............................................................................................
6. Calificación del conocimiento parcial ................................................................
7. Funcionamiento diferencial de los ítems ............................................................
7.1. Introducción .............................................................................................
7.2. Concepto ..................................................................................................
7.3. Métodos de evaluación .............................................................................
7.3.1. c 2 de los aciertos .........................................................................
7.3.2. c 2 global .......................................................................................
7.3.3. Método delta ................................................................................
149
150
151
153
155
155
157
157
158
160
161
161
161
163
163
165
166
© Ediciones Pirámide
Índice
/ 11
7.3.4. Mantel-Haenszel ...........................................................................
7.3.5. Índice de estandarización .............................................................
7.3.6. Comentarios finales ......................................................................
Ejercicios ...................................................................................................................
168
172
173
174
5. Transformación de las puntuaciones ..................................................................
177
1. Percentiles ..........................................................................................................
2. Puntuaciones típicas ...........................................................................................
2.1. Típicas derivadas ......................................................................................
2.2. Típicas normalizadas ................................................................................
3. Edad ...................................................................................................................
Ejercicios ...................................................................................................................
177
178
178
179
180
181
6. Equiparación de las puntuaciones ......................................................................
183
1.
2.
Diseños ...............................................................................................................
Métodos .............................................................................................................
184
184
Teoría de respuesta a los ítems ...........................................................................
187
1. Objetivos ............................................................................................................
2. Supuestos ...........................................................................................................
2.1. Curva característica de los ítems ..............................................................
2.2. Unidimensionalidad e independencia local ...............................................
Ejercicios ............................................................................................................
3. Modelos .............................................................................................................
3.1. Modelo logístico de un parámetro (modelo de Rasch) .............................
3.2. Modelo logístico de dos parámetros .........................................................
3.3. Modelo logístico de tres parámetros .........................................................
3.4. Modelos de ojiva normal ..........................................................................
3.5. Orígenes y desarrollo de la TRI ................................................................
Ejercicios ............................................................................................................
4. Aplicación de los modelos ..................................................................................
4.1. Comprobación de la unidimensionalidad .................................................
4.2. Elección del modelo ..................................................................................
4.3. Estimación de los parámetros ...................................................................
4.4. Ajuste del modelo .....................................................................................
4.5. Invarianza de los parámetros ....................................................................
Ejercicios ............................................................................................................
5. Métrica de theta (q) ............................................................................................
5.1. Transformaciones admisibles de q .............................................................
5.2. Transformaciones de P(q): logits ...............................................................
5.3. Otras transformaciones .............................................................................
Ejercicios ............................................................................................................
6. Curva característica del test ...............................................................................
6.1. Definición .................................................................................................
6.2. Puntuaciones verdaderas en el test ...........................................................
6.3. Curva característica de la persona ............................................................
Ejercicios ............................................................................................................
7. Función de información .....................................................................................
7.1. Error típico de estimación de q .................................................................
187
188
188
192
193
195
195
197
198
200
201
206
207
207
209
210
214
218
220
222
223
224
226
226
227
227
228
230
231
233
233
7.
© Ediciones Pirámide
12 /
Índice
7.2. Función de información del test .........................................................
7.3. Funciones de información de los modelos logísticos ..........................
7.4. Función de información de los ítems ..................................................
7.5. Información máxima ..........................................................................
7.6. Ponderación óptima de los ítems ........................................................
7.7. Eficiencia relativa de dos test ..............................................................
7.8. Función de información y transformaciones de q ...............................
Ejercicios ........................................................................................................
8. Bancos de ítems .............................................................................................
8.1. Concepto y desarrollo .........................................................................
9. Equiparación de puntuaciones .......................................................................
9.1. Concepto y técnicas ............................................................................
Ejercicios ........................................................................................................
10. Funcionamiento diferencial de los ítems ........................................................
10.1. Concepto ............................................................................................
10.2. Evaluación ..........................................................................................
Ejercicios ........................................................................................................
11. Test adaptativos informatizados .....................................................................
11.1. Concepto ............................................................................................
11.2. Desarrollo ...........................................................................................
Ejercicios ........................................................................................................
233
235
235
236
237
237
239
239
241
241
243
243
247
248
248
250
260
261
261
261
264
8. Fases para la construcción de un test .............................................................
265
1. Marco general ................................................................................................
2. Definición de la variable medida ....................................................................
3. Especificaciones .............................................................................................
4. Construcción de los ítems ..............................................................................
4.1. Tipos de ítems .....................................................................................
4.2. Directrices para la construcción de ítems de elección múltiple ...........
5. Edición ...........................................................................................................
6. Estudios piloto ...............................................................................................
7. Selección de otros instrumentos de medida ...................................................
8. Aplicación del test ..........................................................................................
9. Propiedades psicométricas .............................................................................
10. Versión final del test .......................................................................................
265
267
268
268
269
274
279
279
280
280
281
282
9. Utilización de los test ..........................................................................................
283
Estrategias para mejorar el uso de los test .....................................................
Formación de los usuarios .............................................................................
Estándares técnicos ........................................................................................
Preparación para los test ................................................................................
Utilización de los datos de los test .................................................................
Modelo de evaluación de la calidad de los test ..............................................
283
284
285
286
287
288
10. Mirando hacia el futuro .......................................................................................
311
Apéndice .......................................................................................................................
315
Tablas estadísticas ......................................................................................................
329
Referencias bibliográficas ..........................................................................................
345
1.
2.
3.
4.
5.
6.
© Ediciones Pirámide
Prólogo
Los test son instrumentos de medida que utilizan habitualmente los psicólogos para obtener información que les ayude a tomar decisiones bien
fundamentadas. Estas decisiones pueden tener repercusiones importantes en la vida de las personas;
por tanto, es clave que los test utilizados cumplan
unos requisitos de calidad psicométrica demostrables. Precisamente de eso trata el libro que tiene entre las manos, de mostrar cuáles deben ser las propiedades psicométricas de los test para que puedan
ser utilizados con garantía por los psicólogos. Queridos lectores, lo que van a encontrar en las páginas
que siguen es una introducción al campo de la psicometría, como bien anuncia, sin sorpresas, el título
del libro. Está pensando para alguien que aún no
sabe, pero que pretende saber; por eso la filosofía
del libro es iniciar a los estudiantes, profesionales y
en general personas interesadas en la evaluación psicométrica. Los contenidos se ajustan a la materia
que los estudiantes de grado de psicología, educación y ciencias sociales y de la salud deben aprender
en un semestre dedicado a la psicometría. También
los ya iniciados pueden repasar y actualizar sus conocimientos, pues nunca viene mal volver a hollar
los caminos andados y descubrir detalles que se nos
habían pasado desapercibidos. A todos vosotros va
dirigido este libro introductorio, que pretende ser de
amigable lectura, pues no supone grandes conocimientos estadísticos o psicométricos previos. Si lo
leyereis con provecho, os abrirá las puertas a otros
textos más avanzados, de los cuales hay actualmente abundancia tanto en nuestra propia lengua española como en inglés, y que se irán citando en su
momento para animar a profundizar en los temas
tratados. El grueso del libro procede de la fusión y
© Ediciones Pirámide
actualización de otros dos previos del autor, publicados en esta misma editorial Pirámide, uno sobre
teoría clásica y otro sobre teoría de respuesta a los
ítems. Esta fusión ha permitido reunir lo esencial de
ambos en un solo volumen, evitando redundancias
y actualizando lo hecho, aparte de incluir nuevos
temas y suprimir otros. Del enfoque clásico se expone lo fundamental: el modelo, la fiabilidad, la validez, el análisis de los ítems, la transformación de las
puntuaciones y la equiparación; sin olvidarnos de
los test referidos al criterio y la teoría de la generalizabilidad. En cuanto a la teoría de respuesta a los
ítems, tras exponer su lógica y los avances que supone sobre el enfoque clásico, se presentan los principales modelos, la curva característica del test, las
funciones de información de los ítems y del test, los
bancos de ítems, el funcionamiento diferencial y los
test adaptativos informatizados. Finaliza el libro con
tres apartados de gran interés aplicado, como son
las fases o etapas para construir un test, los problemas implicados en la utilización práctica de los test
y unas reflexiones finales sobre el futuro de la evaluación psicométrica. La idea que inspira todo el
libro es dar una visión comprensiva, no especializada pero rigurosa, sobre el estado actual de la evaluación psicométrica, sin la cual no es posible un
ejercicio profesional basado en evidencias, fieles a la
idea de que una evaluación rigurosa es la base de un
diagnóstico preciso que a su vez permita una intervención eficaz. Si falla la evaluación, todo lo demás
se viene abajo.
El libro no hubiese sido posible sin la ayuda de
tantas y tantas personas, unas de forma explícita y
otras implícita, que tanto monta. En primer lugar, la
fuerza motriz del libro son los alumnos de muchas
14 /
Prólogo
partes del mundo a los que vengo impartiendo psicometría desde hace ahora cuarenta años, con especial
mención para los de las tres universidades españolas
en las que tuve el honor de trabajar: Complutense de
Madrid, Baleares y Oviedo. Son ellos quienes con sus
dudas y preguntas incisivas me ayudan y estimulan a
tratar de presentar la materia de forma amena y comprensible. No sé si lo habré logrado. Muchas gracias
también a los compañeros de nuestro grupo de investigación de psicometría: Marcelino Cuesta, Yolanda
de la Roca, Rubén Fernández, Eduardo Fonseca,
Eduardo García-Cueto, Elena Govorova, Luis Manuel Lozano, Teresa Martínez, Víctor Martínez-Loredo, Fernando Menéndez, Ignacio Pedrosa, Elsa
Peña, Francisco Prieto, Javier Suárez y Pamela Woitschach. Nuestras sesiones y discusiones para sacar
adelante los proyectos constituyen para mí una verdadera fuente de aprendizaje y motivación. He tenido
muchos maestros, caminamos a hombros de gigantes,
pero no quiero dejar de citar a dos de quienes más he
aprendido directamente en muchos sentidos: Mariano Yela y Ronald Hambleton. Sus profundos conocimientos psicométricos, unidos a su talante personal
y bonhomía, fueron una bendición para mí; muchas
gracias, maestros. Nada saldría adelante sin el apoyo
decidido de la directora editorial Inmaculada Jorge,
que tuvo claro el proyecto desde el principio y me
animó a ello. Se agradece sinceramente. Por supuesto,
la familia siempre está al quite: a mis hijas Laura y
Marta y a mi mujer Alejandra va dedicado el libro.
Perdonad todos los demás no citados, sé que estáis
ahí, como bien nos enseñó Bertolt Brecht en su bello
poema «Preguntas de un obrero ante un libro». Muchas gracias a todos por todo. Espero que el libro
resulte de interés y ayude a penetrar en los arcanos
de la psicometría, pues de eso se trata.
© Ediciones Pirámide
Introducción
La psicometría puede definirse en términos ge­
nerales como el conjunto de métodos, técnicas y
teorías implicadas en la medición de las variables
psicológicas. Como su nombre indica, trataría de
todo aquello relacionado con la medición de lo psi­
cológico. Ahora bien, de la medición de lo psicoló­
gico se ocupa también cualquier otro acercamiento
riguroso al estudio del comportamiento humano; lo
que constituiría lo específico de la psicometría sería
su énfasis y especialización en aquellas propiedades
métricas exigibles a las mediciones psicológicas in­
dependientemente del campo sustantivo de aplica­
ción y de los instrumentos utilizados. Así, por ejem­
plo, aspectos como la fiabilidad o la validez de las
mediciones, por citar dos de los más conocidos,
constituyen requisitos exigibles para cualquier eva­
luación psicológica, sea cual fuere su ámbito de
aplicación y enfoque. Este tipo de especialización de
la psicometría en las categorías métricas que atra­
viesan los distintos campos sustantivos de la psico­
logía da lugar a que los tipos de contenidos sobre
los que trabajan los psicómetras resulten bastante
amplios y variados.
Una ojeada a los congresos organizados por las
sociedades psicométricas europea y americana, así
como a las revistas científicas del área, permite ar­
ticular la mayor parte de la temática psicométrica
en torno a cinco grandes bloques: teoría de la me­
dición, que abarcaría todo lo relativo a la funda­
mentación teórica de la medida; teoría de los test,
donde se explicitan la lógica y los modelos matemá­
ticos subyacentes a la construcción y uso de los test;
escalamiento psicológico, que aborda la problemá­
tica inherente al escalamiento de estímulos psicoló­
gicos; escalamiento psicofisico, que hace lo propio
© Ediciones Pirámide
1
con los estímulos fisicos, y técnicas multivariadas,
que junto con el resto de tecnología estadística re­
sultan imprescindibles para la construcción y aná­
lisis de los instrumentos de medida.
Como se puede observar, el campo de referen­
cia del término «psicometría» es amplísimo, y no es
nuestro objetivo entrar aquí a realizar una descrip­
ción o definición precisa de los bloques citados,
cada uno de los cuales está a su vez altamente es­
pecializado y estructurado en subáreas. En este li­
bro nos centraremos exclusivamente en la teoría de
los test, abordando los dos grandes enfoques, el clá­
sico y la teoría de respuesta a los ítems (TRI). Solo
subrayar que el término «psicometría» es mucho
más genérico y amplio que el de teoría de los test,
con el que erróneamente se le identifica a menudo,
tomando la parte por el todo. A partir de los años
sesenta se populariza también el término afín de
«psicología matemática», utilizado para denominar
aquellos trabajos caracterizados por un acerca­
miento formalizado a los problemas psicológicos,
lo cual es básicamente coincidente con lo que se
entendía por psicometría. De hecho, Thurstone
(1937) utiliza el término «psicología matemática»
para caracterizar en pocas palabras el objeto de la
sociedad psicométrica americana por él fundada.
Lo más específico y diferencial de la psicología ma­
temática respecto de la psicometría serán los mode­
los matemáticos elaborados para áreas específicas
de la psicología, tales como aprendizaje, memoria,
percepción, lenguaje, pensamiento, interacción so­
cial, etc., que proliferan a partir de los años cin­
cuenta y sesenta, y que son en realidad la razón
fundamental que da sentido y apoya la nueva deno­
minación de psicología matemática diferenciada de
16 /
Introducción a la Psicometría
la anterior de psicometría. Como ocurriera antes en
psicometría, se publican textos con esa denomina­
ción genérica (Atkinson, 1964; Coombs, Dawes y
Tversky, 1970; Krantz, Atkinson, Luce y Suppes,
1974; Laming, 1973; Luce, Bush y Galanter, 1963;
Restle y Greeno, 1970), que luego desaparecerá
para dar paso a las subáreas especializadas, apare­
cen sociedades científicas de psicólogos matemáti­
cos con reuniones y congresos propios desde 1967
y se publican revistas, con mención especial para el
Journal of Mathematical Psychology y British Journal of Mathematical and Statistical Psychology.
Que ambos términos, «psicometría» y «psicología
matemática», denotan campos muy solapados se
comprueba empíricamente al observar que los es­
pecialistas publican sus trabajos en las revistas de
uno y otro campo y asisten indistintamente a los
congresos y reuniones de las respectivas sociedades
científicas. Considerar, como hacen Estes (1975) o
Greeno (1980), la psicometría como la parte de la
psicología matemática dedicada a todo lo relacio­
nado con la medida es tan razonable como consi­
derar la psicología matemática aquella rama de la
psicometría dedicada a los modelos matemáticos de
procesos psicológicos, pero, eso sí, aquella resulta
menos respetuosa con la historia de la psicología,
ya que fue «psicometría» el término que originaria­
mente se utilizó para tales menesteres. Así, Thur­
stone (1937), en su conferencia para la primera re­
unión anual de la sociedad psicométrica que tuvo
lugar en 1936, señala como objetivo de la sociedad
«estimular el desarrollo de la psicología como cien­
cia cuantitativa y racional. O lo que más brevemen­
te puede denominarse psicología matemática».
Añade, además, algo que se olvida demasiado a
menudo: «A la larga seremos juzgados por la signi­
ficación, relevancia y consistencia de los principios
psicológicos que descubramos», dejando claro des­
de el principio que la formalización y matematiza­
ción propias del enfoque psicométrico están al ser­
vicio de los problemas psicológicos que tratan de
resolver, pero no constituyen un fin en sí mismo
para la psicometría.
Quede ahí este breve apunte terminológico para
evitar confusiones y desasosiegos al lector que los
topare en su deambular por los reales de la psicolo­
gía, aunque no lo hará con mucha frecuencia, pues,
como ya se ha señalado, debido a su amplitud, se
han vuelto ambos demasiado genéricos y lo habi­
tual será encontrarse con las denominaciones espe­
cíficas de las distintas subáreas. Como modesto
ejemplo, en este libro se tratará de las teorías de los
test, tanto el enfoque clásico como la teoría de res­
puesta a los ítems.
1. ORÍGENES Y DESARROLLO
DE LA TEORÍA DE LOS TEST
El nacimiento formal de la teoría de los test
puede ubicarse en los primeros trabajos de Spear­
man (1904, 1907, 1913), en los que establece los
fundamentos de la teoría clásica de los test (TCT).
El objetivo central era encontrar un modelo estadís­
tico que fundamentase adecuadamente las puntua­
ciones de los test y permitiera la estimación de los
errores de medida asociados a todo proceso de me­
dición. El modelo lineal clásico propuesto por
Spearman, que luego se abordará con cierto detalle,
destaca por su sencillez matemática y enjundia psi­
cológica, lo que le garantizará una larga vida. Asu­
me que la puntuación empírica de una persona en
un test (X ) consta de dos componentes aditivos:
uno, la «verdadera» puntuación de la persona en el
test (V ), y otro, el error (e) que inevitablemente va
asociado a todo proceso de medición; es decir, se­
gún el modelo:
X=V+e
A partir de este modelo y unas asunciones míni­
mas, la teoría clásica desarrollará todo un conjunto
de deducciones encaminadas a estimar la cuantía del
error que afecta a las puntuaciones de los test. Los
inicios fueron como siempre inseguros, pues no era
fácil abrirse paso en una psicología poco dada a ve­
leidades cuantitativas, pero los nuevos enfoques se
impusieron con rapidez y la mayoría de las univer­
sidades incluyeron cursos de teoría de los test en el
currículum de sus licenciados. Cuenta Joncich (1968)
en la biografía de E. L. Thorndike que cuando este
envió una copia de su libro pionero sobre medición
(Thorndike, 1904) a su antiguo profesor William Ja­
mes, incluyó una nota diciéndole que obligase a leer­
lo a todos sus investigadores, pero que no se le ocu­
rriese abrirlo a él, pues las figuras, curvas y fórmulas
que contenía le volverían loco. Ello puede dar una
idea de la acogida que se esperaba por parte de la
© Ediciones Pirámide
Introducción
psicología dominante de la época. Los años siguien­
tes conocieron una actividad psicométrica frenética
tanto en el campo de la teoría como en la construc­
ción y tecnología de los test, así como en el campo
del escalamiento psicofisico y psicológico (Thur­
stone, 1927a, 1928b; Thurstone y Chave, 1929), muy
cercanos por entonces al ámbito de los test. Guil­
ford (1936) tratará de sintetizar en su clásico manual
Psychometric Methods lo fundamental de los tres
campos, teoría de los test, escalamiento psicológico
y psicofísico, algo que nadie volvería a intentar, sal­
vo la reedición de 1954 de su propio libro (Guilford,
1954), pues se habían vuelto lo suficientemente com­
plejos como para exigir cada uno de ellos un trata­
miento aparte. Esos años de incubación y desarrollo
dan lugar también a la institucionalización, y así, en
1936, se funda la sociedad psicométrica americana
con Thurstone a la cabeza y cuyo órgano de expre­
sión será la revista Psychometrika. Como comple­
mento de carácter aplicado, frente al más teórico de
Psychometrika, aparecerá unos años más tarde Educational and Psychological Measurement (1941); lue­
go seguirían otras muchas entre las que cabe destacar
The British Journal of Mathematical and Statistical
Psychology (1948), Journal of Educational Measurement (1964), Journal of Educational Statistics (1976)
y Applied Psychological Measurement (1977), por ci­
tar algunas.
En 1947 Thurstone publica su clásico texto
Análisis factorial múltiple, técnica estadística con
orígenes en el campo psicométrico (Burt, 1941; Ke­
lley, 1928; Spearman, 1927), que aportará un nota­
ble avance para la construcción, análisis y valida­
ción de los test. En un campo como el del análisis
factorial y las técnicas multivariadas en general, en
el que se han producido avances tan gigantescos,
potenciados por las facilidades informáticas y los
refinamientos estadísticos actuales, resulta, sin em­
bargo, refrescante releer el libro de Thurstone y ad­
mirar la cordura psicológica que lo impregna. Y es
que cuando se piensa que un análisis factorial que
un ordenador personal actual despacha en unos se­
gundos podía llevar meses a un equipo de investi­
gadores de entonces, se entiende que se afinasen las
hipótesis y aguzase el ingenio antes de someterlas
a prueba.
Por los años cuarenta también publicará Ste­
vens (Stevens, 1946) su famoso trabajo sobre las es­
calas de medida, que obligará a los estudiosos de la
© Ediciones Pirámide
/ 17
teoría de los test a plantearse el estatus teórico de
sus mediciones, además de sus propiedades empíri­
cas, así como a terciar en la polémica que se abre
entonces, y llega hasta nuestros días (Borsboom,
2005; Gaito, 1980; Michell, 1986; Townsend y Ash­
by, 1984), sobre las relaciones entre las escalas y sus
implicaciones en el uso de las distintas técnicas es­
tadísticas.
Pero la síntesis por antonomasia de la teoría
clásica de los test será realizada por Gulliksen
(1950) en su más que clásico libro Theory of Mental
Test, que constituye, sin duda, la exposición mejor
estructurada del corpus clásico. Gulliksen, antiguo
estudiante, luego ayudante y colega de Thurstone,
reconoce explícitamente el papel del maestro en su
formación, y en especial de su libro Fiabilidad y validez de los test (Thurstone, 1931), ya agotado por
las fechas en las que Gulliksen escribía el suyo.
También en los años cincuenta aparecerán las pri­
meras recomendaciones técnicas para el uso de los
test (Technical Recommendations for Psychological
Test and Diagnostic Techniques, 1954), que conoce­
rán diversas actualizaciones y revisiones, la última
en 2014.
También el escalamiento tendrá su clásico en
los años cincuenta con el libro de Torgerson (1958)
Theory and Methods of Scaling. Las dos ramas her­
manas, teoría de los test y escalamiento, seguirán
sus propios caminos, y aunque en esta como en
otras divisiones hay algo de arbitrario, pues la ma­
yoría de los modelos podrían generalizarse tanto a
personas como a estímulos (Mosier, 1940, 1941),
también es verdad que existían bastantes problemas
específicos que justificaban la división.
Florecer parece haber sido el sino de los años
sesenta, y la teoría de los test no iba a ser menos.
Precisamente, en 1968 aparecerá el libro de Lord y
Novick (1968) Statistical Theories of Mental Test
Scores, que sintetiza y reanaliza críticamente todo
lo hecho anteriormente en teoría clásica de los test,
abriendo nuevas y prometedoras perspectivas. En el
libro se incluye además el trabajo de Birnbaum so­
bre los modelos de rasgo latente, que abrirán una
línea completamente nueva en la teoría de los test,
conocida hoy como «teoría de respuesta a los ítems»
(TRI). Este vuelco del modo de hacer clásico propi­
ciado por la TRI va a oscurecer la mejora, al menos
teórica, que prometía aportar al planteamiento clá­
sico la teoría de la generalizabilidad (TG) propuesta
18 /
Introducción a la Psicometría
por Cronbach y colaboradores (Cronbach, Rajarat­
nam y Gleser, 1963; Gleser, Cronbach y Rajarat­
nam, 1965; Cronbach, Gleser, Nanda y Rajaratnam,
1972). La TG puede considerarse una extensión del
modelo clásico, más que una alternativa. Mediante
el uso masivo del análisis de varianza, la TG preten­
derá analizar las fuentes del error de medida de un
modo sistemático y desglosado, frente al tratamien­
to globalizado de la teoría clásica. Pero las aparato­
sas complicaciones introducidas en relación con las
ventajas prácticas aportadas, unidas a la aparición
en la escena psicométrica del enfoque alternativo de
los modelos de TRI, relegarán la TG a un papel
secundario en el campo de la teoría de los test.
No sería exacto decir que en el libro de Lord y
Novick aparecen las primeras aportaciones sobre la
TRI (véase Muñiz y Hambleton, 1992, para un
­es­tu­dio detallado del origen y desarrollo de estos mo­
delos), pero la exposición y sistematización de Birn­
baum, unidas a la plataforma publicitaria que supu­
so el libro, resultaron fundamentales para la rápida
expansión de los modelos. De hecho ya hacía ocho
años que Rasch había publicado su libro (Rasch,
1960) sobre el modelo logístico de un parámetro.
Sea como fuere, el libro de Lord y Novick, de
áspera lectura y notación infernal, marca un antes
y un después en la teoría de los test: terminaba una
época, la clásica, y comenzaba otra nueva marcada
por el predominio absoluto de la TRI. La nueva no
negaba la anterior, aunque, como señalara Lord
(1980), utilizará poco de ella para su formulación.
Veamos a grandes rasgos cuáles eran las innovacio­
nes que aportaba la TRI. La teoría clásica hallába­
se enfrentada con dos problemas de fondo impor­
tantes que no encontraban una solución satisfactoria
en el marco clásico. Por un lado, la medición de las
variables no era independiente del instrumento uti­
lizado, algo así como si la longitud de los objetos
dependiese del tipo de regleta. Por ejemplo, si la in­
teligencia de dos personas se mide con test distintos,
los resultados de las mediciones no están en la mis­
ma escala; luego estrictamente no sabríamos cuál de
las dos es más inteligente. Naturalmente, se había
desarrollado todo un conjunto de soluciones técni­
cas para paliar el problema y poder equiparar las
puntuaciones, pero se carecía de una solución digna
de una medición aspirante al adjetivo de científica.
En pocas palabras, las mediciones no eran invarian­
tes respecto de los instrumentos de medida. Por otro
lado, las propiedades de los instrumentos (test,
ítems) dependían del tipo de personas utilizadas
para establecerlas, por lo que en puridad no eran
propiedades de los instrumentos de medida, sino de
la interacción de estos con los objetos medidos. Por
ejemplo, un ítem resultaría fácil o difícil en función
de la muestra de personas utilizada. En suma, los
instrumentos de medida no eran invariantes respec­
to de las personas evaluadas. Pues bien, los modelos
de TRI permitirán dar una solución adecuada a
esos dos problemas de fondo, y además aportarán
todo un conjunto de avances tecnológicos comple­
mentarios para la construcción y análisis de los test.
Una década de investigación intensa sobre los
distintos aspectos de los nuevos modelos, tanto a
nivel teórico como aplicado, permitirá a Lord (1980)
sintetizar en un libro hoy clásico los avances acumu­
lados. El libro abre la década de los ochenta, que
conocerá una expansión inusitada de la literatura
psicométrica bajo la óptica de la TRI y revitalizará
áreas que se encontraban atascadas, tales como los
bancos de ítems, el sesgo o los test referidos al crite­
rio, por citar solo algunas. Como señala Anastasi
(1988) en la sexta edición de su incombustible
Psychological Testing, la década de los ochenta ha
sido un período de avances inusuales en teoría de los
test, tanto respecto al progreso tecnológico como a
la sofisticación teórica o la mejora de la responsabi­
lidad profesional. Esta década vendrá marcada por
una hegemonía clara de los modelos de TRI, como
puede comprobarse echando una ojeada a los con­
gresos de las sociedades psicométricas europea y
americana, o a las revistas, y por la aparición de
monografías independientes para cada una de las
áreas ahora vigorizadas por la TRI. No obstante, no
debe sacar el lector la impresión de que esta hege­
monía de la TRI supone la muerte del enfoque clá­
sico, ni mucho menos, pues la parsimonia y sencillez
del modelo lineal clásico lo hacen apropiado en nu­
merosas situaciones en las que la maquinaria pesada
de la TRI no puede maniobrar con eficacia.
A la vista de este panorama general de la teoría
de los test esbozado en las líneas precedentes, se
comprenderá la limitada dimensión de lo que se
pretende presentar en las páginas que siguen, cuyo
objetivo no es otro que ofrecer al lector de lengua
hispana una exposición clara y comprensiva de los
aspectos fundamentales del enfoque clásico de los
test y de la teoría de respuesta a los ítems, indican­
© Ediciones Pirámide
Introducción
do en cada caso las fuentes adecuadas que permitan
a quien lo desee una mayor profundización y pre­
paración para comprender cabalmente los recientes
avances de la teoría de los test, que no son pocos.
Nota histórica sobre los test
El desarrollo de la teoría de los test esbozado en
el apartado anterior corre parejo con la evolución
de los test concretos que van surgiendo, y como es
natural, ambos desarrollos influyen el uno sobre el
otro: los avances teóricos sobre los test y estos y sus
problemas sobre los progresos teóricos. Bien es ver­
dad que el avance no ha sido completamente sincro­
nizado y en algunos momentos históricos una línea
se ha adelantado por un tiempo a la otra, para lue­
go volver a equilibrarse, como buenos vasos comu­
nicantes que son. Así como el hacer suele preceder
al pensar, los test como instrumentos se han antici­
pado a su fundamentación teórica. Los orígenes
remotos de los primeros test podrían rastrearse se­
gún Du Bois (1970) allá por el año 3000 a.C., cuan­
do los emperadores chinos evaluaban la competen­
cia profesional de sus oficiales. Pero los orígenes
más cercanos que darán lugar a los actuales test hay
que ubicarlos en aquellas primeras pruebas senso­
motoras utilizadas por Galton (1822-1911) en su
famoso laboratorio antropométrico de Kensington.
En 1884, durante la Exhibición Internacional sobre
la Salud, que tuvo lugar en Londres, por la módica
suma de tres peniques Galton medía a los visitantes
todo un conjunto de índices antropométricos y sen­
somotores luego utilizados en sus estudios, como,
por ejemplo, las dimensiones de la cabeza, estatura,
longitud de los brazos extendidos, peso, fuerza de
ambas manos, capacidad respiratoria, agudeza vi­
sual de ambos ojos, altura sentado, longitud del
brazo, agudeza auditiva, tiempo de reacción visual
y auditivo, precisión al dividir una línea en dos y
tres partes iguales, error al estimar la apertura de
un ángulo de 90 grados y otro de 60, etc. Hoy en­
contramos natural que al tratar de relacionar estas
medidas con el funcionamiento intelectual no se en­
contrase conexión alguna, pero la hipótesis galto­
niana de origen (Galton, 1883) tenía su lógica: si los
datos sobre los que operamos han de ser filtrados
por los sentidos, aquellos que contasen con sensores
más finos dispondrían de un campo más amplio de
actuación. También cabe a Galton el honor de ser
© Ediciones Pirámide
/ 19
el primero que aplicó la tecnología estadística para
analizar los datos provenientes de sus test, labor
que continuará Pearson. Como bien señala Boring
(1950), si la década de los ochenta del siglo pasado
viene marcada por Galton, la de los noventa vendrá
por Cattell y la primera de este siglo por Binet. Ja­
mes McKeen Cattell (1860-1944) será el primero en
utilizar el término «test mental» en su artículo
«Mental test and measurements» publicado en la
revista Mind en 1890, pero sus test, al igual que los
de Galton, a quien por cierto admiraba, eran de
carácter sensorial y motor fundamentalmente, y el
análisis de los datos dejó clara la nula correlación
entre este tipo de pruebas y el nivel intelectual de
las personas (Wissler, 1901).
Será Binet (Binet y Simon, 1905a) quien dé un
giro radical en la filosofía de los test al introducir
en su escala tareas de carácter más cognoscitivo,
encaminadas a evaluar aspectos como el juicio, la
comprensión y el razonamiento, que según él cons­
tituían los componentes fundamentales del com­
portamiento inteligente. La puntuación de los niños
en la escala de Binet y Simon se expresaba en tér­
minos de edad mental, que no era otra cosa que la
edad cronológica de los niños que obtenían la mis­
ma puntuación media que el niño evaluado. Segu­
ramente no es ajena al éxito alcanzado por la esca­
la esta forma tan sencilla y comprensible para los
no profesionales de expresar las puntuaciones de
los niños. En la revisión de la escala que llevó a
cabo Terman en la Universidad de Stanford, y que
se conoce como la revisión Stanford-Binet (Terman,
1916), se utilizó por primera vez el cociente intelec­
tual (CI) para expresar las puntuaciones. La idea
era originaria de Stern, que en 1911 propuso dividir
la edad mental (EM) entre la cronológica (EC),
multiplicando por 100 para evitar los decimales:
CI =
EM
× 100
EC
Esta fructífera veta de las escalas individuales
de inteligencia abierta por Binet en 1905 y que se
continúa hasta nuestros días había intuido, mejor
que la hipótesis galtoniana, que si se desea evaluar
el potencial intelectual hay que utilizar tareas cog­
noscitivamente complejas, que se asemejen de al­
gún modo al tipo de cometidos intelectuales que se
20 /
Introducción a la Psicometría
pretende predecir. Puede decirse que el éxito de es­
tas escalas para predecir el rendimiento escolar dé­
bese en gran medida al parecido de las tareas exi­
gidas por ambos lados, escala y escuela. De hecho
la causa próxima para que Binet pusiese manos a
la obra de confeccionar su escala fue un encargo
del Ministerio de Instrucción Pública para la detec­
ción y educación de los niños con deficiencias de
inteligencia que asistían a las escuelas de París.
Para una buena exposición de la escala, así como
las sucesivas revisiones llevadas a cabo, véase Anas­
tasi (1988).
El paso siguiente en el devenir histórico de los
test vendrá marcado por la aparición de los test de
inteligencia colectivos, propiciados por la necesidad
del ejército estadounidense en 1917 de seleccionar y
clasificar a los soldados que iban a tomar parte en
la Primera Guerra Mundial. Un comité dirigido
por Yerkes diseñó a partir de diverso material ya
existente, especialmente de test inéditos de Otis, los
hoy famosos test Alfa y Beta, el primero para la
población general y el segundo para utilizar con
analfabetos o reclutas sin dominio del inglés. Tras
numerosas revisiones, estos test todavía siguen en
uso. Debido a su éxito en el ejército, una vez finali­
zada la guerra la industria y el resto de las institu­
ciones en general adoptaron en masa el uso de los
test, conociéndose una expansión sin precedentes
durante la próxima década, aunque no siempre en
las mejores condiciones, debido por un lado a las
limitaciones de los propios test, todavía un tanto
rudimentarios, y por otro al uso de las puntuacio­
nes más allá de lo que era razonable.
Con la experiencia acumulada iba quedando
cada vez más claro que una puntuación global de
inteligencia tal como la medían estos test no descri­
bía con suficiente precisión los diferentes aspectos
del funcionamiento intelectual de las personas, y se
imponía la evaluación de características más espe­
cíficas cara a realizar pronósticos particulares más
precisos. Si bien ello ya se venía haciendo de un
modo más o menos sistemático, con la aparición de
las hoy clásicas baterías de aptitudes habrá de espe­
rar a que la técnica del análisis factorial dé sus fru­
tos a partir de los años treinta y sobre todo cuaren­
ta. Su producto más genuino serán las aptitudes
mentales primarias de Thurstone (Thurstone, 1938;
Thurstone y Thurstone, 1941), que conformaban lo
que entonces se consideraban los componentes fun­
damentales del funcionamiento inteligente: com­
prensión verbal, fluidez verbal, aptitud numérica,
aptitud espacial, memoria, rapidez perceptiva y ra­
zonamiento general. Dando más importancia a un
factor general de inteligencia que articularía jerár­
quicamente otros factores de grupo (escuela ingle­
sa), o reclamando un plano de igualdad para facto­
res múltiples (escuela americana), el hecho central
fue que el análisis factorial había permitido estruc­
turar, no sin polémicas, la otrora genérica puntua­
ción global de la inteligencia. En ocasiones los mo­
delos alcanzaron grados de fragmentación rayanos
en el desmenuzamiento, como en el caso de Guil­
ford (1967), que propone nada menos que 120 ras­
gos intelectuales. Los distintos modelos darán lugar
a numerosas baterías de test (PMA, DAT, GATB,
TEA, etc.) de uso habitual actualmente. Excede por
completo del cometido de estas líneas tratar de de­
cir algo acerca del problema subyacente de la natu­
raleza de la inteligencia; la literatura al respecto es
ciertamente abundante, y se aconseja al lector inte­
resado la consulta de textos en español como los de
Juan-Espinosa (1997) o Colom (1995, 2002).
A la vez que se producían los desarrollos cita­
dos en el campo de los test cognoscitivos, también
los test de personalidad se beneficiaban de los avan­
ces técnicos que se iban produciendo, especialmen­
te los derivados del análisis factorial y otras técni­
cas multivariadas afines. Suele citarse como origen
próximo de los cuestionarios de personalidad de
carácter psicométrico la hoja de datos personales
utilizada por Woodworth en 1917 durante la Prime­
ra Guerra Mundial para la detección de neuróticos
graves. En la actualidad, la sofisticación técnica en
la construcción y análisis de los test de persona­
lidad, que son legión (CEP, EPI, MMPI, 16PF,
CPI, etc.), no se diferencia en nada de la utilizada
con los test de aptitudes, si bien existen problemas
específicos en unos y otros. Por su parte, el psi­
quiatra suizo Rorschach propone en 1921 su famo­
so test proyectivo de manchas de tinta, al que se­
guirán otros test proyectivos de muy distinto tipo
de estímulos y tareas, aunque basados en la discu­
tible asunción de la proyección, entre los que cabe
citar el TAT, CAT, test de frustración de Rosen­
zweig, etc. Sin embargo, la técnica proyectiva que
puede considerarse pionera es la asociación de pa­
labras o test de asociación libre, descrita por Gal­
ton y utilizada incluso en el laboratorio por Wundt
© Ediciones Pirámide
Introducción
y Cattell, aunque siguiendo las prácticas de Krae­
pelin y Jung pronto se asoció con la clínica, espe­
cialmente con la psico­analítica.
Quede ahí esta somera nota histórica para ubi­
car al lector en el devenir de los test. Una excelen­
te panorámica, así como la descripción y clasifica­
ción de los test más importantes, pueden verse en
Anastasi y Urbina (1997). Para estudios históricos
más detallados véanse Goodenough (1949), Du
Bois (1970) o Geisinger y Usher-Tate (2016), y
para una información enciclopédica y detallada so­
bre test concretos, véanse las sucesivas ediciones de
los Mental Mesurement Yearbooks editados por
Buros.
/ 21
TABLA 1.1
Formulación del modelo
Modelo:
X = V +e
Supuestos:
l. V = E(X )
2. r(n, e) = 0
3. r(ej, ek) = 0
Definición:
Dos test, j y k, se denominan parale­
los si la varianza de los errores es la
misma en ambos [s 2(ej) = s 2(ek)] y
también lo son las puntuaciones ver­
daderas de los sujetos (Vj = Vk).
2. MODELO LINEAL CLÁSICO
Como ya se ha señalado en el apartado anterior,
el modelo lineal clásico hunde sus raíces en los tra­
bajos pioneros de Spearman (1904, 1907, 1913). En
los años siguientes conoce un rápido desarrollo y
Gulliksen (1950) recoge y sistematiza lo hecho has­
ta entonces. Lord y Novick (1968) llevarán a cabo
una reformulación y análisis del modelo, a la vez
que abren nuevas y fructíferas vías para la teoría de
los test. Exposiciones menos técnicas del corpus clá­
sico pueden consultarse en Guilford (1936, 1954),
Magnuson (1967), Allen y Yen (1979), Thorn­dike
(1982), Crocker y Algina (1986), y en español Yela
(1987), Muñiz (2002), Martínez Arias et al. (2006)
o Abad et al. (2011).
A continuación se exponen los aspectos funda­
mentales del modelo lineal clásico, su formulación,
asunciones y deducciones más significativas. Aun­
que resulte obvio, no conviene perder de vista que
el objetivo central del modelo es la estimación de
los posibles errores cometidos cuando se utilizan los
test para medir variables psicológicas. La necesidad
de un modelo para estimar los errores de medida,
en psicología como en cualquier otra ciencia, pro­
viene del hecho elemental de que los errores no son
observables directamente; lo que se obtiene directa­
mente tras utilizar un instrumento de medida es el
valor empírico «mezclado» con el error cuya cuan­
tía se desea estimar. La lógica general para la esti­
mación de los errores es común a todas las ciencias,
pero la naturaleza de lo psicológico añadirá incluso
algunas complicaciones adicionales.
© Ediciones Pirámide
El modelo establece que la puntuación empíri­
ca (X ) que obtiene una persona en un test es igual
a la suma de dos componentes: la puntuación ver­
dadera (V ) de la persona en ese test y el error de
medida (e) cometido en la medición. Es razonable
pensar que la puntuación empírica que obtiene
una persona cuando se le aplica un test en un mo­
mento dado no coincida exactamente con su ver­
dadera puntuación en ese test, pues en ese momen­
to puntual la persona está afectada por múltiples
factores de difícil control que inciden en su con­
ducta. Una clasificación bastante exhaustiva de
estas hipotéticas fuentes de error puede consultar­
se en Stanley (1971). Si estos factores perjudican a
la persona, obtendrá una puntuación empírica más
baja de la que verdaderamente le correspondería;
si le benefician, la obtendrá superior. Ahora bien,
cuando se pasa un test a una persona no hay ma­
nera de saber su puntuación verdadera, lo único
que tenemos es su puntuación empírica, es decir,
los puntos que saca en el test; su puntuación ver­
dadera habrá que estimarla basándonos en los su­
puestos del modelo.
Supuesto 1
La puntuación verdadera (V ) es la esperanza
matemática de la empírica: V = E(X ), donde X es la
variable aleatoria «puntuación empírica de la perso­
na». Este primer supuesto constituye en realidad
una definición de la puntuación verdadera. El lector
poco familiarizado con el concepto de esperanza
22 /
Introducción a la Psicometría
matemática puede hacerse una idea imaginando que
se aplicase un test «infinitas» veces a la misma per­
sona. También debe imaginar que cada aplicación
no afecta a las otras y que la persona no cambia en
el curso de las aplicaciones. En estas condiciones, la
puntuación verdadera de la persona en el test sería
la media aritmética de las puntuaciones empíricas
obtenidas en las «infinitas» aplicaciones. La puntua­
ción verdadera es, por tanto, un concepto matemá­
tico. A partir de los valores de X (puntuaciones em­
píricas), y bajo ciertos supuestos que se irán viendo,
la TCT permite hacer estimaciones probabilísticas
razonables acerca del valor de las puntuaciones ver­
daderas (V ). Conviene entenderlo bien, pues a me­
nudo se ha hecho una conceptualización platónica
de las puntuaciones verdaderas, considerándolas
algo mágico y estático, propiedad de las personas y
que determina su conducta. Del modelo no se sigue
esta interpretación circular; la puntuación empírica
en un test es una muestra de conducta que si reúne
ciertos requisitos de medida, y bajo ciertos supues­
tos, permite hacer inferencias probabilísticas funda­
das. De esto trata la teoría de los test.
Supuesto 2
Se asume que no existe correlación entre las
puntuaciones verdaderas de las personas en un test
y sus respectivos errores de medida: r(v, e) = 0. En
principio no hay razón para pensar que el tamaño
de los errores vaya sistemáticamente asociado al ta­
maño de las puntuaciones verdaderas.
Supuesto 3
Los errores de medida de las personas en un test
no correlacionan con sus errores de medida en otro
test distinto: r(ej, ek) = 0. Si se aplican correctamen­
te los test, los errores serán aleatorios en cada oca­
sión, y a priori no existe razón para que covaríen
sistemáticamente unos con otros.
Hay que señalar que ninguna de las asunciones
del modelo es comprobable empíricamente de un
modo directo tal como están expresadas; por tanto,
aunque plausibles y sensatas a priori, habrá que ha­
cer deducciones que sí se puedan contrastar y con­
firmen o falseen el modelo. Novick (1966) y Lord y
Novick (1968) ofrecen formulaciones axiomáticas
rigurosas del modelo a las que se remite al lector
ávido de elegancia matemática.
Definición
Finalmente, se definen teóricamente los test pa­
ralelos, asumiéndose implícitamente que se pueden
construir de hecho. De un modo menos formal que
el señalado en su definición, podría decirse que dos
test se consideran paralelos si miden lo mismo pero
con diferentes ítems. Lord y Novick (1968) han de­
sarrollado además otros tipos de paralelismo. De­
nominan test «tau equivalentes» a aquellos con
puntuaciones verdaderas iguales para las personas
en ambas formas, pero con varianzas error no ne­
cesariamente iguales. Test «esencialmente tau equi­
valentes» serían aquellos en los que la puntuación
verdadera de cada persona en uno de ellos es igual
a la del otro más una constante:
V1 = V2 + K
Los autores desarrollan las implicaciones y ex­
tensiones de estas redefiniciones de paralelismo
para la TCT.
3. DEDUCCIONES INMEDIATAS
DEL MODELO
A continuación se presentan algunas de las de­
ducciones que se siguen directamente del modelo y
que se utilizarán más adelante. Véase en el apéndice
su obtención.
e=X−V
[1.1]
El error de medida (e) se define, por tanto,
como la diferencia entre la puntuación empírica (X )
y la verdadera (V ).
E(e) = 0
[1.2]
La esperanza matemática de los errores de me­
dida es cero; luego son errores insesgados.
µx = µv
[1.3]
© Ediciones Pirámide
Introducción
La media de las puntuaciones empíricas es igual
a la media de las verdaderas.
cov (V, e) = 0
cov (X, V ) = var (V )
[1.5]
La covarianza entre las puntuaciones empíricas
y las verdaderas es igual a la varianza de las verda­
deras.
cov (Xj, Xk) = cov (Vj, Vk)
[1.6]
La covarianza entre las puntuaciones empíricas
de dos test es igual a la covarianza entre las verda­
deras.
var (X ) = var (V ) + var (e)
[1.7]
La varianza de las puntuaciones empíricas es
igual a la varianza de las verdaderas más la de los
errores.
r(X, e) = se /sx
© Ediciones Pirámide
La correlación entre las puntuaciones empíricas
y los errores es igual al cociente entre la desviación
típica de los errores y la de las empíricas.
[1.4]
Las puntuaciones verdaderas no covarían con
los errores, lo cual es inmediato del supuesto 2 del
modelo.
[1.8]
/ 23
µ1 = µ2 = … = µk
[1.9]
s (X1) = s (X2) = … = s (Xk)
2
2
2
[1.10]
r(X1, X2) = r(X1, X3) = … = r(Xj, Xk) [1.11]
Es decir, para K test paralelos, las medias [1.9],
las varianzas [1.10] y las intercorrelaciones entre
ellos [1.11] son iguales.
Las ocho primeras deducciones son meras tau­
tologías, no se pueden contrastar empíricamente,
mientras que sí se pueden someter a prueba empí­
rica las tres últimas. Nótese que el modelo y las de­
ducciones están formulados para los valores para­
métricos de la población. En términos generales
—ya se irá matizando esta afirmación—, la teoría
clásica de los test asume que los estadísticos obte­
nidos en muestras suficientemente amplias consti­
tuyen estimadores apropiados de los valores de la
población. Cuanto más amplias sean las muestras,
más pertinente será esta lógica. Lord y Novick
(1968) proporcionan algunos estimadores más refi­
nados para el caso de que las muestras no sean su­
ficientemente amplias o no se cumplan estrictamen­
te las condiciones de paralelismo.
Fiabilidad
Las mediciones psicológicas, como las de cualquier otra ciencia, han de ser fiables, es decir, han
de estar libres de errores de medida. Un instrumento de medida, en nuestro caso un test o una escala,
se considera fiable si las medidas que se hacen con
él carecen de errores de medida, son consistentes.
Una balanza es fiable si cada vez que pesamos el
mismo objeto nos da el mismo resultado. Análogamente, un test será fiable si cada vez que se aplica
a las mismas personas da el mismo resultado. La
balanza lo tiene más fácil: el mismo objeto puede
pesarse varias veces sin problema, pero los humanos cambian de una vez para otra, y a veces puede
resultar problemático saber con seguridad si la
inestabilidad observada en las mediciones se debe
a la imprecisión del instrumento o a los cambios
legítimos operados por las personas. Los errores de
medida de los que se ocupa la fiabilidad son aquellos no sometidos a control e inevitables en todo
proceso de medir, sea fisico, químico, biológico o
psicológico. En muchas ocasiones las diferencias
entre una medición y otra no dependen solo de estos errores, pudiendo explicarse además por los
cambios operados en las personas, debidos a procesos madurativos, intervenciones o eventos de
cualquier otro tipo. Incluso las inconsistencias pueden tener sentido en el marco en el que se lleva a
cabo la medición. En estos casos la inestabilidad de
las mediciones requiere una explicación y carece de
sentido atribuirla a los errores aleatorios. La fiabilidad no trata ese tipo de «errores», que han de
venir explicados por los modelos manejados. En
cada situación el psicólogo tendrá que identificar
las fuentes de error que afecten a las mediciones y
no achacar, por ejemplo, a la baja fiabilidad de los
© Ediciones Pirámide
2
instrumentos de medida lo que puede ser sencillamente variabilidad legítima de la variable medida.
Nótese bien que el concepto de fiabilidad no se
contradice en absoluto con la naturaleza cambiante de la conducta humana, como de un modo superficial se ha sugerido en algunas ocasiones; que
cambie lo medido no anula la exigencia —todo lo
contrario— de que los instrumentos de medida
sean precisos. ¿Cómo m
­ edir adecuadamente el
cambio sin instrumentos precisos? No conviene
confundir la fiabilidad del instrumento de medida
con la estabilidad o modificabilidad del constructo
medido. La fiabilidad se refiere a la estabilidad de
las mediciones cuando no existen razones teóricas
ni empíricas para suponer que la variable a medir
haya sido modificada diferencialmente para las personas, por lo que se asume su estabilidad, mientras
no se demuestre lo contrario. Por ejemplo, parece
sensato suponer que si se mide la inteligencia espacial de unas personas un día determinado y también se hace al día siguiente, su valor ha de ser básicamente el mismo, por lo que las posibles mínimas
diferencias esperadas podrían atribuirse razonablemente a los errores aleatorios inherentes a todo
acto de medir. Un test no sería fiable si cada día
generase mediciones diversas de una variable que
se supone estable. Ahora bien, lo que es válido
para la inteligencia espacial no tiene por qué serlo
para otras variables; por ejemplo, parece que la
hora del día puede explicar gran parte de la variabilidad del tiempo de reacción de las personas, por
lo que será en cada caso el psicólogo quien investigue las fuentes de error de las mediciones. No obstante, a nadie se le ocurrirá decir que los relojes que
miden el tiempo de reacción en milisegundos no
26 /
Introducción a la Psicometría
son fiables por el hecho de que las medidas varíen
a lo largo del día; la fiabilidad del instrumento no
va unida a la estabilidad de la variable medida a lo
largo del tiempo. Para un análisis detallado de la
dialéctica fiabilidad/estabilidad de la conducta desde el punto de vista de la psicología clínica, véanse
Silva (1989) y en general Cronbach y Furby (1970).
Una interesante revisión sobre el problema de la
fiabilidad en las investigaciones psicológicas puede
verse en Schmidt y Hunter (1996).
En este capítulo se analizarán los distintos modos de estimar la fiabilidad de los test y la problemática implicada.
1. COEFICIENTE DE FIABILIDAD
σ V2
σ X2
ρ XX ′ = 1 –
σ e2
σ X2
ρ XV =
ρ XX ′ =
σV
σX
[2.3]
Error típico de medida
El coeficiente de fiabilidad, rXX ′, se define como
la correlación entre las puntuaciones obtenidas por
las personas evaluadas en dos formas paralelas de
un test, X y X ′.
Es un indicador de la estabilidad de las medidas, pues si aplicamos un test X a una muestra de
personas y pasado un tiempo aplicamos a las mismas personas una forma paralela X ′, dado que ambas formas miden lo mismo, si no hubiese errores
aleatorios de medida, la correlación debería ser perfecta: rXX ′ = 1. Por tanto, el grado en el que rXX ′ se
aleja de 1 nos indicará en qué medida nuestras mediciones están afectadas por errores aleatorios de
medida, siempre en el supuesto, claro está, de que
las dos formas paralelas, X y X ′, realmente lo sean.
De la definición dada para el coeficiente de fiabilidad y de los supuestos del modelo se deriva fácilmente (véase apéndice):
ρ XX ′ =
ve que rXX ′ indica la proporción que la varianza
verdadera es de la empírica. Si no hubiese errores
aleatorios, entonces (sv)2 = (sx)2 y rXX ′ = 1. Tal vez
se vea más claro todavía en [2.2]: si (s e) 2 = 0,
rXX ′ = 1; y si (se)2 = (sX)2, o, lo que es lo mismo,
(sv)2 = 0, entonces rXX ′ = 0. Se suele denominar índice de fiabilidad ( rxv) a la correlación entre las
puntuaciones empíricas de un test y las verdaderas,
siendo igual a la raíz cuadrada del coeficiente de
fiabilidad (véase apéndice):
[2.1]
[2.2]
A partir de estas dos fórmulas es imposible calcular empíricamente rXX ′, dado que el valor de
(sv)2 y (se)2 no se puede obtener de las respuestas
de las personas a los ítems. No obstante, son útiles
para dar una idea conceptual de lo que representa
el coeficiente de fiabilidad. Por la primera, [2.1], se
Se denomina error típico de medida (se) a la
desviación típica de los errores de medida (e). Despejando de [2.2], su fórmula viene dada por:
σ e = σ X 1 – ρ XX ′
[2.4]
2. ESTIMACIÓN EMPÍRICA
DEL COEFICIENTE DE FIABILIDAD
Como ya se ha señalado, las fórmulas del coeficiente de fiabilidad expuestas hasta ahora no permiten calcular su valor empírico para una muestra determinada de personas. Para poder hacerlo hay que
valerse de su definición: correlación entre las puntuaciones en dos formas paralelas.
Se tratará, en suma, de:
1.Elaborar las dos formas paralelas.
2.Aplicarlas a una muestra amplia de personas representativas de la población en la
que se va a utilizar el test.
3.Calcular la correlación entre las puntuaciones de las personas en ambas formas.
Dicha correlación será precisamente el coeficiente de fiabilidad. Este método se denomina por
razones obvias método de las formas paralelas, y es
el que emana genuina y directamente del modelo.
No es infrecuente denominar coeficiente de equivalencia al valor obtenido, aludiendo a que cierta© Ediciones Pirámide
Fiabilidad
mente indicaría el grado en el que ambas formas
son equivalentes. Se suelen utilizar además otros
dos métodos, denominados, respectivamente, «testretest» y «dos mitades». Veamos en qué consisten.
Test-retest. Para calcular el coeficiente de fiabilidad por este método se aplica el mismo test en
dos ocasiones a las mismas personas; la correlación
entre las puntuaciones de las dos aplicaciones será
el coeficiente de fiabilidad. Dado que obviamente un
test es paralelo a sí mismo, este método es perfectamente congruente con el modelo, denominándose a
la estimación obtenida «coeficiente de estabilidad»,
pues indica en qué grado son estables las mediciones
realizadas en la primera aplicación del test.
Dos mitades. Por este método se aplica el test
una sola vez, obteniéndose para cada persona las
puntuaciones correspondientes a cada una de las
mitades en las que se divide el test. El coeficiente de
fiabilidad viene dado por la correlación entre esas
dos mitades (que será la estimación de la fiabilidad
del test mitad) más una corrección para obtener la
fiabilidad del test total (esta corrección se verá más
adelante cuando se exponga la fórmula de Spearman-Brown). La estimación así obtenida, más que
equivalencia o estabilidad, como en los casos anteriores, indica la covariación o consistencia interna
de las dos mitades; es, pues, un indicador de la consistencia interna del test.
Si bien la lógica de estos tres métodos es clara,
su realización empírica plantea diversos problemas
experimentales relativos a la validez interna, para
los cuales el modelo no da especificaciones concretas, quedando al criterio del psicólogo para cada
situación nueva planteada. A continuación se comentan algunos de ellos.
En el método de las formas paralelas el problema fundamental es la construcción de dichas formas paralelas. Es difícil a nivel teórico hacer un test
que mida exactamente lo mismo que otro, pero con
distintos ítems; tal vez, incluso, filosóficamente imposible, y en la práctica es enormemente laborioso.
Si se superan los problemas y se dispone de dos (o
más) formas paralelas, probablemente es el método
más recomendable.
En el método test-retest una cuestión de difícil
solución es delimitar el tiempo óptimo que debe
© Ediciones Pirámide
/ 27
transcurrir entre ambas aplicaciones. Si se deja mucho, se introduce una gran fuente de invalidez interna, a saber, la ignota influencia diferencial de ese
período de tiempo en las personas; pero si transcurre poco tiempo, la invalidez interna se cuela vía
memoria de lo realizado previamente. No hay regla
universal: depende en gran parte del tipo de test, ya
que es evidente que hay unos test más propensos a
ser recordados que otros. Una aproximación rigurosa al problema general del test-retest puede consultarse en Jöreskog y Sörbom (1976).
Finalmente, el método de las dos mitades es
muy funcional, pues solo exige una sola aplicación
del test. No obstante, hay que garantizar que las
mitades del test sean paralelas. No es recomendable, por ejemplo, considerar mitades la primera
parte del test por un lado y la segunda por otro,
pues las personas evaluadas llegarán más cansadas
a la segunda; además, en muchos test cognoscitivos los ítems van aumentando en dificultad, por lo
que la segunda parte resultaría más difícil que la
primera. Para evitar esto es frecuente tomar como
una mitad los ítems pares y como otra los impares, o usar algún otro tipo de apareamiento de los
ítems. En definitiva, es un problema de control experimental.
Un factor del test a tener en cuenta para elegir
un método u otro de los comentados, o de otros
que se verán más adelante, es si se trata de un test
de velocidad o de un test de potencia. Suele entenderse por test de velocidad aquel cuya realización
no conlleva dificultad alguna, o, más exactamente,
el que todas las personas son capaces de realizar,
aunque difieran en la rapidez de ejecución. Por el
contrario, un test de potencia o poder sería aquel
en el que las diferencias entre las personas son generadas por su distinta capacidad intelectual para
resolver las tareas propuestas. No hacen falta muchas explicaciones para entender que en la práctica
la mayoría de los test suelen ser mixtos, variando la
proporción de ambos componentes: en unos predomina más la velocidad, y en otros, la potencia.
Índices de velocidad-potencia
El grado de velocidad de un test influye en sus
parámetros más importantes, como su fiabilidad, su
validez, la estructura factorial de los ítems, o en su
caso de la batería; de ahí que se hayan propuesto
28 /
Introducción a la Psicometría
diferentes índices para expresar la proporción velocidad/potencia (véase, por ejemplo, Donlon, 1978,
para un buen análisis). Gulliksen (1950) sugiere el
cociente entre la varianza de los errores cometidos
y la varianza de los fallos (errores más no intentados). Cuanto más bajo sea el cociente, más de velocidad será el test; con el límite cero indicando que
todos los fallos se deben a no-intentos, el test sería
de velocidad pura.
IV =
σ e2
σ F2
limitado, 0,70, y sin tiempo límite, 0,80. Calcular el
índice de velocidad del test.
IV = 1 –
(0,60)2
= 0,36
(0,70)(0,80)
El 36 % de la varianza de las puntuaciones sería
atribuible a la velocidad de respuesta de los universitarios.
Otro indicador más sencillo y de fácil uso es el
cociente de velocidad propuesto por Stafford
(1971):
Lord y Novick (1968) proponen un índice equivalente al de Cronbach y Warrington (1951) que
indica la proporción de varianza atribuible a la velocidad:
CV =
∑ NI
∑ E + ∑ O + ∑ NI
× 100
[2.5b]
donde:
IV = 1 –
2
ρVP
[2.5a]
E: Número de errores de cada persona.
O: Número de omisiones de cada persona.
NI:Número de ítems no intentados por cada
persona.
IV: Índice de velocidad.
rVP:Correlación entre el test administrado en
condiciones de velocidad (V ), esto es, con
tiempo limitado para su ejecución, y el test
administrado con tiempo «ilimitado», en
condiciones de potencia (P).
rVV ′:Coeficiente de fiabilidad del test en condiciones de velocidad.
rPP′:Coeficiente de fiabilidad del test en condiciones de potencia.
Cuando un test es de velocidad pura, Σ E y Σ O
son cero, y en consecuencia CV = 100. En el caso
de un test de potencia pura, Σ NI = 0, por lo que
CV = 0, o, lo que es lo mismo, el cociente de potencia, que es el complementario del de velocidad,
será 100.
Suprimiendo el sumatorio de la fórmula anterior, se tiene el cociente de velocidad para cada persona. Asimismo, si en vez de los datos correspondientes a una persona utilizamos los de un ítem,
tendremos el cociente de velocidad del ítem.
ρVV ′ ρ PP ′
donde:
El mayor inconveniente práctico de este índice
es que requiere aplicar el test dos veces, lo que no
siempre es fácil.
Ejemplo
El test de inteligencia general BLSIV se aplicó
a una muestra de 500 universitarios con un tiempo
de cinco minutos. A la semana siguiente se les aplicó sin tiempo límite. La correlación entre las puntuaciones de los universitarios en ambas aplicaciones fue 0,60; la fiabilidad del test con tiempo
3. ESTIMACIÓN DE LAS PUNTUACIONES
VERDADERAS
Conocida la fiabilidad del test por alguno de los
métodos expuestos, se pueden hacer ciertas estimaciones acerca de las puntuaciones verdaderas de las
personas en el test, o, lo que es lo mismo, se pueden
hacer estimaciones acerca de la cantidad de error
que afecta a las puntuaciones empíricas. A continuación se exponen las tres estrategias más comúnmente utilizadas por la psicometría clásica, advir© Ediciones Pirámide
Fiabilidad
tiendo desde el principio que estas estimaciones han
de tomarse con extremada cautela cuando se hacen
para una persona en particular, siendo más apropiadas para la descripción de grupos.
a) Estimación mediante la desigualdad Chebychev
Como es sabido, la desigualdad de Chebychev
—
establece que para toda variable X con media X y
desviación típica SX:
1
K2
se estimará a las personas que obtuvieron una puntuación empírica en el test de 80 puntos?
Datos:
N = 1.000; SX = 10; rXX ′ = 0,64; X = 80
Se = SX 1 – rXX ′ = 10 1 – 0,64 = 6
1 – 1/K 2 = 0,99; por tanto: K = 10.
Sustituyendo en [2.7]:
[2.6]
P{ 80 – V ¯ (10)(6)} ˘ 0,99
que traducido a la terminología psicométrica del
modelo clásico:
P{V – 80 ¯ (10)(6)} ˘ 0,99
P{–60 ¯ V – 80 ¯ 60} ˘ 0,99
P{20 ¯ V ¯ 140} ˘ 0,99
∀K
P{ X – X ¯ K (SX )} ˘ 1 –
P{ X – V ¯ K (σ e )} ˘ 1 –
∀K
1
K2
[2.7]
Veamos el paso de la fórmula general [2.6] a la
terminología psicométrica:
—
Se ha sustituido la media X por V, puesto que
en el modelo clásico E(X ) = mX = V. Por su parte,
la desviación típica SX se ha sustituido por se, puesto que en el modelo la varianza de X para un valor
dado de V (persona o clase de personas) es igual a
la varianza de los errores (se)2. Nótese que al fijar
V lo que varían las empíricas se debe únicamente a
la variación de los errores. Asimismo, la varianza
de los errores para un determinado valor de V (persona o clase de personas) es igual a la varianza de
los errores de la población se2 dado que rve = 0. En
definitiva:
σ 2 (X V ) = σ 2 (e V ) = σ e2
Ejemplo
Se aplicó un test de rapidez perceptiva a una
muestra representativa de 1.000 personas, obteniéndose una media de 70 puntos, una desviación típica
de 10 y un coeficiente de fiabilidad de 0,64. Al nivel
de confianza del 99 %, ¿qué puntuación verdadera
© Ediciones Pirámide
/ 29
Al nivel de confianza del 99 % estimamos que la
puntuación verdadera en el test de rapidez perceptiva para las personas que obtuvieron una empírica
de 80 estará ¡entre 20 y 140! Ciertamente es una
pobre estimación; el intervalo es demasiado amplio,
y ello se debe a dos razones: una, que el coeficiente
de fiabilidad es bajo (0,64), y otra, que este método
de estimación paga un caro tributo al no hacer ninguna asunción-restricción sobre la forma de la distribución de X, aunque, eso sí, es válido sea cual sea
esta, lo cual es interesante, pero a un precio prohibitivo a base de abrir el intervalo confidencial.
b) Estimación basada en la distribución normal
de los errores
Este es el método más utilizado en los textos
clásicos. Una forma de evitar una estimación tan
genérica como la anterior es asumir que los errores
de medida, y por ende las puntuaciones empíricas,
para un valor dado de V (persona o clase de personas con la misma puntuación verdadera) se distribuyen según la curva normal:
f (e |V ) ~ N(0, se2)
Dado que X = V + e, con V constante, es inmediato que
f (X |V ) ~ N(V, se2)
30 /
Introducción a la Psicometría
Adviértase que el precio a pagar por reducir la
amplitud del intervalo es la asunción de normalidad
que se añade al modelo. Hasta ahora no se había
hecho ninguna asunción sobre la forma de las distribuciones de las puntuaciones. Esta asunción de
normalidad e igualdad de las varianzas condicionales a lo largo de la escala de las puntuaciones (homoscedasticidad) ha sido cuestionada con frecuencia, especialmente en lo concerniente a los valores
extremos de la escala. Si no se cumple, lo cual es
bastante probable en la práctica, no sería muy preciso utilizar el mismo error típico de medida (ETM)
para todas las personas, independientemente de su
puntuación en el test, como se hace habitualmente.
Según los datos de Feldt, Steffan y Gupta (1985), el
valor máximo del ETM correspondería a la franja
de puntuaciones medias, encontrando grandes diferencias para los distintos niveles de puntuaciones.
Este problema no hallará una respuesta apropiada
en el marco de la teoría clásica de los test, y habrá
que esperar al desarrollo de los modelos de teoría de
respuesta a los ítems para una solución adecuada.
Mediante la función de información del test, estos
modelos permitirán estimar el error de medida para
los distintos niveles de competencia de las personas.
Supuesto esto, para estimar la puntuación verdadera en el test se establece el intervalo confidencial en torno a la puntuación empírica del modo
habitual. Veámoslo para el ejemplo anterior y comparemos aquel intervalo con este:
l. Al NC del 99 % corresponde una ZC de
±2,58.
2.
Error máximo admisible: (Z C )(s e ) =
= (2,58) (6) = 15,48.
3. Intervalo confidencial:
(80 – 15,48) ⩽ V ⩽ (80 + 15,48)
(64,52 ⩽ V ⩽ 95,48)
Obsérvese la reducción del intervalo confidencial respecto al método anterior para los mismos
datos, aunque sigue siendo excesivamente amplio
debido a la baja fiabilidad del test.
c)
Estimación según el modelo de regresión
Como es bien sabido, en el modelo de regresión
lineal el pronóstico de una variable Y a partir de
otra X, según el criterio de mínimos cuadrados, viene dado por la expresión:
Y ′ = ρ XY
σY
1σ 2(X – X ) + Y
[2.8]
X
Dado que ese es nuestro problema, estimar V a
partir de X, traduzcamos esta expresión a nuestra
terminología, donde Y, lo que se desea pronosticar,
pasa a ser V, y X sigue siendo X:
V ′ = ρ XV
σV
1σ 2(X – X ) + V
X
—
—
Ahora bien, como hemos visto, V = X y
sV /sX = rXV; luego:
2
(X – X ) + X
V ′ = ρ XV
y como r2XV = rXX ′
V ′ = ρ XX ′ (X – X ) + X
[2.9]
Mediante esta fórmula podemos hacer estimaciones puntuales de V a partir de X, conociendo el
coeficiente de fiabilidad, la media del test y la puntuación empírica.
Ejemplo
Se aplicó un test de comprensión verbal a una
muestra de 500 personas y se obtuvo una media de
40 y un coeficiente de fiabilidad de 0,80. ¿Qué puntuación verdadera en el test se pronosticará a las
personas que obtuvieron una puntuación empírica
de 60 puntos?
Sustituyendo en [2.9]:
V ′ = 0,80(60 − 40) + 40 = 56
Es decir, a las personas con una puntuación empírica de 60 se les pronostica una verdadera de 56.
Ahora bien, el modelo de regresión utilizado lo único que garantiza es que «a la larga» los errores de
© Ediciones Pirámide
Fiabilidad
pronóstico cometidos son mínimos, según el criterio
de mínimos cuadrados, pero la puntuación pronosticada V ′ no siempre coincidirá con V, denominándose precisamente a esa diferencia error de estimación. Es por ello por lo que para asegurarse de los
pronósticos, en vez de realizar estimaciones puntuales, se establecen intervalos confidenciales en torno
a la puntuación pronosticada V ′. Para establecer
dichos intervalos nos valemos del error típico de
estimación, que es la desviación típica de los errores
de estimación, y que en su forma general, para dos
variables X e Y, viene dado por
2
σY ·X = σY 1 – ρ XY
ρ XX ′
[2.11]
o también, teniendo en cuenta que σ X 1 – ρ XX ′ = σ e :
σ V ·X = σ e ρ XX ′
[2.12]
Asumiendo que los errores de estimación se distribuyen normalmente en torno a V ′, se pueden establecer los correspondientes intervalos confidenciales. Establezcamos dicho intervalo para el mismo
ejemplo de los apartados anteriores a) y b) y comparemos los resultados.
Recuérdese que los datos eran: NC: 99 %;
—
N = 1.000; SX = 10; rXX ′ = 0,64; X = 80; X = 70.
1.
Al NC del 99 % corresponde una ZC de
±2,58.
2. σ V ·X = σ X 1 – ρ XX ′ ρ XX ′ =
= 10 1 – 0,64 0,64 = 4,8 .
3.Error máximo:
(ZC)(sV · X) = (2,58)(4,8) = 12,384.
—
—
4.
V ′ = rXX ′(X – X ) + X = 0,64(80 – 70) + 70 =
= 76,4.
5.Intervalo confidencial: V ′ ± error máximo:
(64,016 ⩽ V ⩽ 88,784)
© Ediciones Pirámide
Nótese que el intervalo así obtenido siempre
será menor o igual al obtenido en el apartado b).
Allí se utilizaba se para establecerlo, mientras que
aquí se utiliza sV · X, que es igual a σ e ρ XX ′ . Cuando rXX ′ tomase su valor máximo de 1 (por otra parte inalcanzable empíricamente), entonces sV · X ′ = se,
y los intervalos serían iguales.
Nota. Todas las fórmulas utilizadas en este apartado están expresadas en puntuaciones directas. A
continuación se ofrecen para la escala diferencial y
típica. Se propone como ejercicio al lector la obtención de estas sencillas transformaciones de escala.
[2.10]
Que traducido a la terminología y supuestos del
modelo lineal clásico (véase apéndice) puede expresarse así:
σ V ·X = σ X 1 – ρ XX ′
/ 31
Directas
Y ′ = ρ XY
σY
1σ 2(X – X ) + Y
X
diferenciales
y ′ = ρ XY (σY /σ X )x
típicas
ZY ′ = ρ XY ZX
Directas
V ′ = ρ XX ′ (X – X ) + X
diferenciales
v ′ = ρ XX ′ x
típicas
ZY ′ =
Directas
2
σY ⋅X = σY 1 – ρ XY
diferenciales
Igual que en directas
típicas
σ Zx ⋅ZY =
Directas
σY ⋅X = σ X 1 – ρ XX ′
diferenciales
Igual que en directas
típicas
σ Zv ⋅ZX =
ρ XX ′ Z X
2
1 – ρ XY
1 – ρ XX ′
ρ XX ′
ρ XX ′
4. FIABILIDAD DE LAS DIFERENCIAS
Existen numerosas situaciones aplicadas en psicología y educación en las que interesa estudiar las
diferencias existentes entre las puntuaciones de las
personas en un test y sus puntuaciones en otro; piénsese, por ejemplo, en la evaluación de intervenciones,
terapias, tratamientos, etc. Para poder interpretar las
diferencias encontradas es imprescindible disponer
32 /
Introducción a la Psicometría
de alguna medida de su fiabilidad. Dos diferencias
iguales pueden tener muy distinto valor científico
para el psicólogo en función de su fiabilidad.
Para dos test X y Z la fiabilidad de las diferencias entre sus puntuaciones: (X – Z ) = d, como fácilmente se puede derivar (véase apéndice), viene
dada por:
σ X2 ρ XX ′ + σ Z2 ρ ZZ ′ – 2σ X σ Z ρ XZ
[2.13]
σ X2 + σ Z2 – 2σ X σ Z ρ XZ
entre las puntuaciones de 1.000 personas en ambos
test fue de 0,40. ¿Cuál será el coeficiente de fiabilidad de las diferencias entre las puntuaciones de las
personas en ambos test?
rdd ′ =
0,60 + 0,50 – 2(0,40)
= 0,25
2(1 – 0,40)
sd: Desviación típica de las diferencias.
rdd ′: Coeficiente de fiabilidad de las diferencias.
La fiabilidad es muy baja. En una situación de
este tipo más vale abstenerse de emitir juicios acerca de las diferencias halladas, pues son poco fiables.
Este tipo de análisis de las diferencias entre las
puntuaciones de dos test (o más) es muy usual en el
análisis de perfiles psicológicos. Como es bien sabido,
un perfil psicológico no es otra cosa que la representación, generalmente gráfica, de las puntuaciones de
una persona o de un grupo en determinadas variables, expresadas todas ellas en la misma escala (misma media y misma desviación típica) para percatarse
mejor del sentido de las diferencias entre las variables.
El coeficiente de fiabilidad de las diferencias es,
asimismo, fundamental para la medida del cambio
experimentado por las puntuaciones de las personas en alguna variable psicológica o educativa. Casos típicos se presentan cuando hay que evaluar el
impacto de terapias clínicas, programas de aprendizaje o cualquier otro tipo de intervención.
Conviene señalar finalmente que, en contra de la
extendida costumbre, no está justificado hacer comparaciones individuales entre las puntuaciones empíricas
de dos personas en un test, de una persona en dos test,
etc., basándose en los errores típicos de medida que se
pueden derivar (véase apartado siguiente). Este tipo de
inferencias, como bien señalan Lord y Novick (1968),
son incorrectas, y solo quedarían justificadas si los pares de personas que se desea comparar se cogiesen al
azar y sin referencia a su puntuación empírica; si así se
hiciese, a la larga (estrictamente infinito) las inferencias
tendrían sentido globalmente, pero nunca para dos
personas específicas elegidas, porque interesa comparar precisamente sus puntuaciones empíricas.
Ejemplo
5. TIPOS DE ERRORES DE MEDIDA
ρ dd ′ =
donde:
rdd ′:
sX2:
sZ2:
rXX ′:
rZZ ′′:
rXZ ′:
Coeficiente de fiabilidad de las diferencias.
Varianza de las puntuaciones del test X.
Varianza de las puntuaciones del test Z.
Coeficiente de fiabilidad del test X.
Coeficiente de fiabilidad del test Z.
Correlación entre ambos test.
Si ambos test se expresan en la misma escala
para una mejor interpretabilidad de las diferencias,
clásicamente en la escala de típicas, aunque cualquier
otra es posible, en cuyo caso sus varianzas serían
iguales (sX2 = sZ2), la fórmula anterior se simplifica:
ρ dd ′ =
ρ XX ′ + ρ ZZ ′ – 2 ρ XZ
2(1 – ρ XZ )
[2.14]
El error típico de medida de las diferencias (sed),
análogamente a lo visto para un solo test, vendrá
dado por:
σ ed = σ d 1 – ρ dd ′
[2.15]
donde:
El coeficiente de fiabilidad de un test de inteligencia espacial fue 0,60, y el de otro test también de
inteligencia espacial, 0,50. La correlación obtenida
Hasta aquí se han definido dos tipos de errores:
el error de medida y el error de estimación. Cabe citar
además (Gulliksen, 1950; Lord y Novick, 1968) el
© Ediciones Pirámide
Fiabilidad
error de sustitución y el error de predicción. A continuación se exponen los cuatro junto con sus respectivas desviaciones típicas y se comentan brevemente.
1. Error de medida
diante la recta de regresión de X1 sobre X2, que
viene dada según el modelo general [2.8] adaptado
a nuestra terminología por:
X 1′ = ρ12
e = X –V
σ e = σ X 1 – ρ XX ′
[2.4]
2. Error de estimación
/ 33
σ1
(X 2 – X 2 ) + X 1
σ2
[2.18]
A modo de ejercicio, trate el lector de derivar
los cuatro errores típicos partiendo de las varianzas
de los correspondientes errores de medida. Trate
asimismo de ordenarlos de menor a mayor.
e =V –V′
σ V ·X = σ X 1 – ρ XX ′
ρ XX ′
[2.11]
3. Error de sustitución
6.1. Fiabilidad y variabilidad
e = X1 – X 2
σ e( s ) = σ X 1 – ρ XX ′ 2
[2.16]
4. Error de predicción
e = X 1 – X 1′
σ e( P ) = σ X 1 – ρ XX ′ 1 + ρ XX ′
[2.17]
El error de medida y el error de estimación son,
respectivamente, como ya se ha visto, la diferencia
entre la puntuación empírica y la verdadera
(X − V ), y la diferencia entre la puntuación verdadera y la verdadera pronosticada (V − V ′). Sus desviaciones típicas, también previamente definidas, se
denominan «error típico de medida» (se) y «error
típico de estimación» (sV · X), respectivamente.
El error de sustitución es la diferencia entre las
puntuaciones en un test (X1) y las obtenidas en otro
paralelo (X2); es, por tanto, el error de medida que
se generaría al sustituir una medición por otra proveniente de un test paralelo. Su desviación típica
dada por [2.16] es el error típico de las diferencias
entre dos test paralelos.
El error de predicción es la diferencia entre las
puntuaciones en un test (X1) y las puntuaciones
pronosticadas en ese test (X1′) a partir de una forma
paralela X2. Es el error que se cometería al utilizar,
en vez de las mediciones de un test, aquellas pronosticadas en ese test a partir de una forma paralela. Es decir, X1′ son los pronósticos realizados me© Ediciones Pirámide
6. FACTORES QUE AFECTAN
A LA FIABILIDAD
La fiabilidad de un test no depende únicamente
de sus características propias, sino también del tipo de
muestra de personas utilizadas para calcularla, lo cual
constituye una seria limitación para el modelo clásico,
pues se está describiendo un instrumento de medida,
como es el test, en función de los «objetos» medidos,
las personas. Uno de los aspectos de la muestra que
influye en la fiabilidad de su variabilidad, el coeficien­
te de fiabilidad, aumenta al aumentar la variabilidad
de la muestra. La razón es bien simple: el coeficiente
de fiabilidad se ha definido como la correlación entre
dos formas paralelas de un test, y es bien sabido que
la correlación viene afectada por la variabilidad del
grupo, aumentando con esta. Por tanto, un dato imprescindible para la interpretación del coeficiente de
fiabilidad es la variabilidad de la muestra en la que se
calculó; en otras palabras, un test no tiene un coeficiente de fiabilidad fijo, este depende de la variabilidad
de la muestra en la que se calcule.
En suma, al aumentar la variabilidad de la
muestra, aumenta el valor del coeficiente de fiabilidad, proponiéndose en este apartado una fórmula
que permite estimar ese aumento. La fórmula es
apropiada si se cumple el supuesto en el que se
basa, a saber, que la varianza de los errores de medida en el test es la misma en ambas poblaciones, la
menos variable y la más variable.
Según [2.4] el error típico de medida venía
dado por:
σ e = σ X 1 – ρ XX ′
34 /
Introducción a la Psicometría
El supuesto citado puede expresarse, por tanto:
(se1)2 = (se2)2, o, más explícitamente, sustituyendo
(se)2 por su valor en ambas poblaciones:
con lo que
ρ 22 ′ < 1 –
σ 12 (1 – ρ11′ ) = σ 22 (1 – ρ 22′ )
Despejando s22′:
ρ 22 ′ = 1 –
6.2. Fiabilidad y longitud
σ 12
(1 – ρ11′ )
σ 22
[2.19]
donde:
r11′:
r22′:
s12:
s22:
σ 12
(1 – ρ11′ )
σ 22
Coeficiente de fiabilidad en la población 1.
Coeficiente de fiabilidad en la población 2.
Varianza empírica en la población 1.
Varianza empírica en la población 2.
Ejemplo
El coeficiente de fiabilidad de un test de coordinación visomotora en una muestra de universitarios
que habían superado las pruebas de selectividad fue
de 0,64, obteniéndose una varianza de 25. ¿Cuál habría sido el coeficiente de fiabilidad del test si se
hubiese calculado con los datos de todos los aspirantes cuya varianza fue 100, y no solo utilizando
los que superaron la selectividad?
25
ρ 22 ′ = 1 –
(1 – 0,64) = 0,91
100
Queda patente con el ejemplo la relatividad del
coeficiente de fiabilidad, que pasa de 0,64 a 0,91 al
aumentar la variabilidad de 25 a 100.
Adviértase que la pertinencia de la fórmula
[2.19] puede comprobarse empíricamente aplicando
el test a las dos poblaciones de interés y luego comparando los resultados hallados con los estimados
por la fórmula. Como Lord y Novick (1968) señalaran, esta fórmula debe usarse con precaución,
pues el fuerte supuesto en el que se basa no siempre
se cumple. Si, por ejemplo, ocurriese que se1 fuese
menor que se2 y utilizásemos la fórmula, se sobreestimaría r22′, ya que, si se1 < se2, entonces
σ 1 1 – ρ11′ < σ 2 1 – ρ 22′
La fiabilidad de un test también depende de su
longitud, entendiendo por longitud el número de
ítems que contiene. En principio parece enjundioso
pensar que cuantos más ítems se utilicen para evaluar una variable, mejor podremos muestrear los diferentes aspectos que la conforman y más fiable será
la medida obtenida. En el límite, infinitos ítems, el
error sería cero; claro que la persona también sería
cero: habría fenecido de una sobredosis de ítems; en
matemáticas no, pero en psicología casi todo es cero
en el límite.
Según los supuestos del modelo, si se tiene un
test X y se aumenta su longitud n veces a base de
ítems paralelos a los originales, la fiabilidad del nuevo test alargado viene dada por la conocida fórmula
de Spearman-Brown, denominada con frecuencia
«profecía de Spearman-Brown», dado que predice,
profetiza, lo que le va a ocurrir a la fiabilidad del
test al aumentar su longitud:
ρ XX ′ =
n ρ xx ′
1 + (n – 1) ρ xx ′
[2.20]
donde:
rXX ′: Fiabilidad del test alargado.
rxx′: Fiabilidad del test original.
n:Número de veces que se ha alargado el
test.
Un caso particular de esta fórmula especialmente popular es cuando se duplica la longitud del
test original, utilizado, por ejemplo, en el cálculo
del coeficiente de fiabilidad por el método de las
dos mitades. En dicho caso particular n = 2, quedando [2.20] reducida a:
ρ XX ′ =
2 ρ XX ′
1 + ρ XX ′
[2.21]
© Ediciones Pirámide
Fiabilidad
Ejemplo
n=
Un test que consta de 20 ítems se aplicó a una
muestra de personas, obteniéndose un coeficiente de
fiabilidad de 0,60. ¿Qué fiabilidad tendría el test si se
le añadiesen 15 ítems paralelos a los que ya poseía?
20 + 15
= 1,75
20
n=
ρ XX ′ =
(1,75)(0,60)
= 0,724
1 + (1,75 – 1)(0,60)
Ejemplo
Un test que consta de 150 ítems tiene un coeficiente de fiabilidad de 0,90. Dado que resulta tediosamente largo, se le han suprimido 60 ítems. ¿Cuál
será la fiabilidad del nuevo test acortado?
ρ XX ′ =
150 – 60
= 0,60
150
(0,60)(0,90)
= 0,844
1 + (0,60 – 1)(0,90)
Al suprimir los 60 ítems, la fiabilidad baja de
0,90 a 0,844.
De la fórmula general [2.20], se puede despejar
n, lo que permite estimar cuánto habría que alargar
(o acortar) un test para obtener una fiabilidad determinada:
n=
ρ XX ′ (1 – ρ xx ′ )
ρ xx ′ (1 – ρ XX ′ )
[2.22]
Ejemplo
La fiabilidad de un test de 40 ítems resultó ser
0,80. ¿Cuántos ítems habría que añadirle para que
su fiabilidad fuese 0,90?
© Ediciones Pirámide
0,90(1 – 0,80)
= 2,25
0,80(1 – 0,90)
Hay que alargar el test 2,25 veces; luego el nuevo test alargado tendrá (2,25)(40) = 90 ítems; habría que añadirle 50 ítems (90 – 40 = 50).
Obtención de la fórmula de Spearman-Brown
La nueva fiabilidad del test alargado sería 0,724,
frente al 0,60 del test original.
Todo lo dicho respecto a alargar el test puede
aplicarse a acortar, en cuyo caso n será menor que 1.
n=
/ 35
Como se ha podido comprobar a través de los
ejemplos anteriores, el uso de la fórmula de Spearman-Brown es ciertamente sencillo. Un par de preguntas que surgen inmediatamente es: ¿funciona la
fórmula?, ¿son correctas las «profecías» hechas a partir de ella? Nótese que los resultados proporcionados
por esta fórmula son susceptibles de someterse a
comprobación empírica, puede estimarse la fiabilidad
mediante ella y luego calcular la fiabilidad empíricamente, contrastando los resultados. La abundante
literatura al respecto parece indicar que la fórmula
funciona bastante bien en general, siempre y cuando,
claro está, los ítems añadidos sean paralelos a los
previamente existentes.
Para la obtención de la fórmula de SpearmanBrown se parte del concepto general de coeficiente de
fiabilidad proporcionado por el modelo lineal clásico,
es decir, el cociente entre la varianza de las puntuaciones verdaderas y la de las empíricas. Ahora bien,
si se alarga n veces el test, tanto la varianza de las
verdaderas del nuevo test alargado como la de las empíricas se verán afectadas. En concreto (véase apéndice), la varianza verdadera original queda multiplicada
por n2, es decir, la varianza verdadera del test alargado n veces será: n2 sv2. Por su parte, la varianza empírica del test alargado (apéndice) viene dada por
nσ x2 [1 + (n – 1) ρ xx ′ ]
Por tanto, la fiabilidad del test alargado será el
cociente entre ambas:
ρ XX ′ =
n 2σ v2
nσ x2 [1 + (n – 1) ρ xx ′ ]
y simplificando
ρ XX ′ =
n ρ xx ′
1 + (n – 1) ρ xx ′
que es precisamente la fórmula propuesta.
36 /
Introducción a la Psicometría
Nótese que al aumentar n veces la longitud de un
test su varianza verdadera aumenta proporcionalmente más que su varianza empírica, pues, mientras
que la verdadera original resulta multiplicada por n2,
la empírica se multiplica por n[1 + (n – 1)rxx ′], expresión cuyo valor solo se igualaría a n2 en el caso de
que rxx ′ = 1, hecho poco probable en la práctica, por
no decir imposible. Esta es precisamente la razón de
que al aumentar la longitud aumente la fiabilidad,
pues aumenta más el numerador (varianza verdadera) que el denominador (empírica).
Límite de rxx ′ cuando n tiende a infinito
Según Spearman-Brown:
ρ XX ′ =
n ρ xx ′
1 + (n – 1) ρ xx ′
bajando n al denominador
ρ XX ′ =
ρ xx ′
[1 + (n – 1) ρ xx ′ ]/ n
y dividiendo cada sumando entre n y simplificando:
ρ XX ′ =
ρ xx ′
(1/ n) + (n – 1) ρ xx ′ / n
ρ XX ′ =
ρ xx ′
(1/ n) + ρ xx ′ – (1/ n) ρ xx ′
Ahora bien, cuando n tiende a infinito: 1/n es
cero; luego
ρ X X ′ = ρ xx ′ | ρ xx ′ = 1
Es decir, la fiabilidad de un test tiende a uno a
medida que se aumenta su longitud, alcanzando
teóricamente ese valor para infinitos ítems. Se recomienda cierta precaución en el salto de las matemáticas a la psicología. Mejorar la fiabilidad de un test
a base de aumentar su longitud puede ser útil y recomendable, por ejemplo, cuando el test original ya
tiene una fiabilidad razonable con no muchos ítems,
pero si el test ya tiene un número considerable de
ítems y, sin embargo, es poco fiable, más que su longitud hay que ir pensando en cambiar los ítems, en
construir otro.
6.3.Fiabilidad y nivel de las puntuaciones
en el test
Hasta ahora se ha visto cómo se calculaba el
coeficiente de fiabilidad y el error típico de medida
para una muestra determinada, asumiendo implícitamente que sus valores eran comunes para todas
las personas de la muestra, independientemente de
sus puntuaciones en el test. Ahora bien, un test no
siempre resulta igualmente preciso para todas las
personas; su error típico de medida puede depender
de la puntuación o nivel de las personas en el test.
En este apartado se expone la forma de calcular el
error típico de medida para distintos niveles de puntuaciones en el test. Pero antes de pasar a exponer
el método de cálculo, veamos a qué se puede deber
esta variación de los errores típicos de medida. La
causa fundamental de que el error típico de medida
no sea el mismo para cualquier nivel de puntuaciones radica en el tipo de ítems que componen el test.
Por ejemplo, si ocurriese que la mayoría de los ítems
fuesen de dificultad media, el test mediría con mayor
precisión a las personas de nivel medio, es decir, los
errores de medida tenderían a ser mayores para el
caso de personas de alta y baja competencias en la
variable medida. Por el contrario, si los ítems son en
su mayoría de dificultad elevada, la prueba tenderá
a dar mediciones más precisas para las personas de
alto nivel, en detrimento de aquellas con puntuaciones medias o bajas. Casos extremos serían aquellos
en los que todos los ítems fuesen tan difíciles, o tan
fáciles, que no fuesen contestados, respectivamente,
por casi nadie o por la mayoría. La variación del
error típico tiende a agudizarse a medida que aumenta la amplitud del rango de las puntuaciones en
la variable medida. Además de la naturaleza de los
ítems, pueden existir otros factores de carácter secundario que contribuyan también a que el error
típico de medida no afecte por igual a todas las personas de la muestra, tales como unas instrucciones
inadecuadas que induzcan a las personas con poco
nivel a contestar al azar ante cualquier pregunta que
© Ediciones Pirámide
Fiabilidad
desconozcan, u otros por el estilo derivados de una
aplicación incorrecta de la prueba.
Ante esta situación no parece apropiado usar el
mismo error típico de medida para todas las personas, por lo que se recurre a la utilización de distintos errores típicos de medida en función de la cuantía de las puntuaciones de las personas en el test.
Dado que no se puede generalizar de unos test a
otros, ni de unas muestras a otras, habrá que calcular empíricamente en cada caso los errores típicos
de medida correspondientes.
La forma más clásica de llevar a cabo el cálculo
de los errores típicos de medida para los distintos
niveles de puntuaciones fue propuesta por Thorndike (1951). Consiste en dividir las puntuaciones en
varios niveles o categorías y calcular el error típico
de medida para cada una de ellas. No se puede hablar de un número idóneo de categorías, que dependerá en gran medida del número de personas de la
muestra. Un número mínimo podrían ser tres, puntuaciones bajas, medias y altas, pero si se dispone
de suficientes sujetos, puede incrementarse el número de niveles, explorando de ese modo los errores
con mayor exhaustividad a lo largo del rango de la
variable medida. Si se dispusiese de las suficientes
personas, podrían incluso hacerse tantas categorías
como puntuaciones posibles en el test. Estrictamente hablando, los niveles deberían establecerse a partir de las puntuaciones verdaderas, pero en la práctica solo se dispone de las empíricas.
Si se dispone de una sola aplicación del test,
una vez establecidas las categorías de las puntuaciones, se calcula el error típico de medida para cada
una de ellas. Para ello se dividen las puntuaciones
de cada persona en dos mitades (pares e impares,
por ejemplo) y se calcula la desviación típica de las
diferencias entre ambas. El resultado sería el error
típico de medida para cada uno de los niveles de
puntuaciones:
se = s( p − i)
Nótese que si el test fuese perfectamente fiable,
las puntuaciones de ambas mitades coincidirían, no
habría errores de medida, el error típico de medida
sería nulo y la fiabilidad perfecta. A medida que
aumentan las diferencias entre las dos mitades, se
incrementa el error típico de medida. Esta forma de
conceptualizar el error típico de medida fue utiliza© Ediciones Pirámide
/ 37
do por Rulon (1939) para obtener su fórmula del
coeficiente de fiabilidad (véase la fórmula 2.29). Si
se denomina e al error del test global y e1 y e2 a los
errores de cada una de las mitades, bajo los supuestos del modelo clásico, es fácil demostrar que la varianza de los errores globales del test es igual a la
suma de las varianzas de los errores de cada una de
las dos mitades:
2
2
σ e2 = σ 2 (e1 – e1 ) = σ e1
+ σ e2
Si se dispone de dos formas paralelas, o de dos
aplicaciones del test, se forman las categorías a partir de la suma de las puntuaciones de cada persona
en ambas formas y luego se procede al cálculo del
error típico de medida para cada categoría. El error
típico se obtiene calculando la desviación típica de
las diferencias entre las dos formas del test y divi—
diendo el resultado por √ 2
σe =
σ (X 1 – X 2 )
2
[2.23]
En la fórmula 2.16 se expresa la desviación típica de las diferencias entre dos formas paralelas de
un test; nótese cómo para obtener a partir de ella el
—
error típico de medida hay que dividirla por √ 2.
A continuación se ilustran los cálculos anteriores mediante un ejemplo numérico.
Ejemplo
Se aplicó un test de aptitud espacial a una
muestra de 12 personas. Las puntuaciones globales
en el test, así como las obtenidas en las mitades par
e impar, se ofrecen a continuación. Veamos cómo
se calcula el error típico de medida para tres niveles
de la variable medida: bajo, medio y alto.
Nivel
bajo
Personas
Global
A
B
C
D
6
7
9
10
Par
4
4
5
5
Impar
2
3
4
5
Diferencia
(P – I )
2
1
1
0
38 /
Introducción a la Psicometría
Diferencia
(P – I )
Personas
Global
Par
Impar
Nivel
medio
E
F
G
H
12
14
15
19
6
7
8
10
6
7
7
9
0
0
1
1
Nivel
alto
I
J
K
L
22
24
26
29
12
12
14
15
10
12
12
14
2
0
2
1
Una vez divididas las puntuaciones en los tres
niveles exigidos, el error típico de medida de cada
nivel será la desviación típica de las diferencias
( p – i) de cada uno de los niveles. Aplicando la
fórmula de la desviación típica a la columna de las
diferencias, se obtienen los siguientes resultados
para cada uno de los niveles:
— Bajo:
Se = S( p–i ) =
12
4
(2 2 + 12 + 12 + 0 2 )
–
4
4
2
= 0,71
— Medio:
Se = S( p–i ) =
12
2
(0 2 + 0 2 + 12 + 12 )
–
4
4
2
= 0,50
— Alto:
Se = S( p–i ) =
12
5
(2 2 + 0 2 + 2 2 + 12 )
–
4
4
2
= 0,83
Como se puede observar, el error típico es menor para el nivel intermedio, lo cual quiere decir
que el test está midiendo con más precisión a las
personas con un nivel de tipo medio que a las de
niveles bajo y alto. Si hubiese que estimar la puntuación verdadera de una persona en el test, sería
aconsejable utilizar el error típico de medida correspondiente, en función del nivel en el que estuviese
ubicada esa persona según su puntuación en el test.
Compruebe el lector que el valor del error típico de
la muestra global sin tener en cuenta los tres niveles
vale 0,76, y se obtiene al calcular la desviación típica de la columna de las diferencias ( p – i).
Se ha expuesto la forma de cálculo del error típico de medida, o fiabilidad absoluta, para los distintos niveles de la variable medida; a partir de esos
valores se podría calcular también la fiabilidad relativa o coeficiente de fiabilidad para esos mismos niveles. No obstante, lo más habitual es el cálculo del
error típico de medida, dado que va a permitir establecer intervalos confidenciales en torno a las puntuaciones empíricas para estimar las verdaderas. La
gran ventaja de disponer de varios errores típicos de
medida por intervalos es que va a permitir utilizar
un error típico u otro en función del intervalo en el
que se encuentre la puntuación a estimar. Por ejemplo, para los datos anteriores, si se desea estimar la
puntuación verdadera de una persona cuya empírica en el test fue de 26 puntos, se utilizará el error
típico correspondiente, es decir, 0,83. Por el contrario, si la puntuación empírica fuese 15, el error típico que habría que utilizar sería 0,50, etc.
A veces los test se utilizan para clasificar a los
examinados en dos grupos, los que superan la prueba y los que no la superan, para lo cual hay que
establecer un punto de corte. En estos casos es muy
importante conocer cuál es el error típico en la zona
en la que se produce el corte, pues los errores en esa
zona tienen una gran incidencia sobre los fallos clasificatorios. La razón es sencilla: si la puntuación de
una persona está cerca del punto de corte, cualquier
mínimo error puede pasarla de un lado a otro del
corte, mientras que si la puntuación está alejada del
punto de corte, ese mismo error probablemente no
tendrá influencia sobre la clasificación. Para conocer el error típico en esa zona vital se establece un
intervalo en torno al punto de corte y mediante
cualquiera de los procedimientos descritos se estima
el error típico de medida. Con la amplitud que debe
tener este intervalo pasa como con los niveles: no se
puede establecer de una vez por todas, y dependerá
del número de sujetos disponibles y del ajuste deseado en torno al punto de corte. Para una ampliación del estudio de la fiabilidad en relación con los
puntos de corte, véase el apartado 2.9 sobre los test
referidos al criterio.
Señalar finalmente que el método expuesto para
el cálculo del error típico a distintos niveles es el más
clásico, sugerido por Thorndike (1951), pero desde
© Ediciones Pirámide
Fiabilidad
entonces se han propuesto otros muchos. Por ejemplo, el lector interesado puede consultar el trabajo de
Lord (1984), en el que el autor compara cuatro métodos distintos para estimar el error típico: los de
Feldt, Steffan y Gupta (1985), donde se comparan
cinco métodos, o el de Qualls (1992), donde son seis
los métodos analizados. Feldt y Qualls (1996) han
propuesto una variante interesante del método de
Thorndike. En general, las diferencias de funcionamiento entre los distintos métodos no son notables,
por lo que la elección de uno u otro, como bien señalan Feldt et al. (1985), va a depender de consideraciones prácticas y de las preferencias de los usuarios.
Esta temática psicométrica relativa a la estimación de
los errores típicos a distintos niveles va a dar un giro
radical dentro del marco de la teoría de respuesta a
los ítems, donde la precisión a lo largo de la escala de
la variable medida vendrá dada por una curva denominada «función de información», que se expone en
el apartado 7.7.
7. COEFICIENTE ALFA (a)
7.1. Concepto y fórmula
El coeficiente alfa (a), propuesto por Cronbach
(1951), constituye otra forma de acercarse a la fiabilidad. Más que la estabilidad de las medidas, a
refleja el grado en el que covarían los ítems que constituyen el test; es, por tanto, un indicador de la consistencia interna del test. Su fórmula viene dada por:
α =
1
n
∑ σ J2
n
j =1
1−
n–1
σ X2
2
[2.24]
donde:
n: Número de ítems del test.
Σ sJ2: Suma de las varianzas de los n ítems.
s X2 : Varianza de las puntuaciones en el test.
Que a es función directa de las covarianzas entre los ítems, indicando, por tanto, la consistencia
interna del test, tal vez se pueda apreciar más directamente si se expresa su fórmula en función explíci© Ediciones Pirámide
/ 39
ta de dichas covarianzas (véase apéndice), que viene
dada por:
α =
n
n–1
1
n
cov ( j, k)
oj ≠o
k
σ X2
2
[2.25]
Es claro, según [2.25], que a aumenta al aumentar las covarianzas entre los ítems.
Conviene observar finalmente que, en contra de
la idea tan extendida de usar el coeficiente a como
un indicador preciso de la unidimensionalidad de
los ítems, este tiene, sin embargo, algunas limitaciones al respecto. Es evidente que a va a resultar elevado si los ítems se acercan a la unidimensionalidad, pero lo contrario no es estrictamente cierto, y
como señalan Green, Lissitz y Mulaik (1977), una
elevada consistencia interna no implica necesariamente unidimensionalidad. Según los citados autores, a viene afectado por diversos factores para ser
un índice apropiado de la unidimensionalidad:
1.Aumenta cuando se incrementa el número
de ítems.
2.Aumenta cuando se repiten ítems similares.
3.Aumenta cuando el número de factores pertenecientes a cada ítem aumenta.
4.Fácilmente se acerca a 0,80 y lo supera
cuando el número de factores que pertenecen a cada ítem es dos o más y el número
de ítems moderadamente amplio.
5.Disminuye moderadamente al disminuir las
comunalidades de los ítems.
Por todo ello, cuando se desee hacer juicios
acerca de la unidimensionalidad, además de acerca
de la consistencia interna, alfa debe complementarse con otras técnicas.
a)
Estimador insesgado de a
Feldt, Woodruff y Salih (1987) han propuesto
un estimador insesgado de a que viene dado por:
α =
(N – 3)α̂ + 2
N –1
[2.26]
40 /
Introducción a la Psicometría
donde:
a–: Estimador insesgado: [E(a–) = a].
a§:Valor de a obtenido en una muestra mediante [2.24].
N: Número de personas de la muestra.
A medida que aumenta el número de personas
de la muestra (N ), el valor hallado en la muestra y
el estimador insesgado se acercan, siendo iguales
cuando N tiende a infinito (véase apéndice).
Por ejemplo, para una muestra de 103 casos con
un a§ = 0,70, el valor del estimador vendría dado por:
α =
(103 – 3)(0,70) + 2
= 0,706
103 – 1
una diferencia de 6 milésimas para un N = 103. A
nivel práctico puede decirse que a partir de l00 sujetos las diferencias entre el valor sesgado y el insesgado son más bien irrelevantes.
b)
a como límite inferior de rXX ′
Se demuestra (véase apéndice) que a es menor
o igual que rXX ′, siendo igual cuando los ítems son
paralelos, tau (t) equivalentes o esencialmente tau
(t) equivalentes:
a ⩽ rXX ′
[2.27]
Por tanto, a puede considerarse una estimación
del límite inferior del coeficiente de fiabilidad de un
test.
Se han propuesto otros índices como estimaciones del límite inferior de la fiabilidad. Así, Lord y
Novick (1968) recomiendan d3 de Guttman (1945),
que según ellos da estimaciones al menos tan buenas como a y tiene las ventajas de ser siempre positivo, mientras que a puede ser negativo cuando
hay correlaciones negativas entre los ítems, lo que
lo invalida como estimador de la fiabilidad. El citado estimador viene dado por:
n
n
σ2
δ 3 = 1− ∑ 2J +
j =1 σ X
1
2
n/(n – 1)
cov(J , K )
oj ≠o
k
σ X2
[2.28]
donde los términos significan lo mismo que en la
fórmula de a.
Por su parte, McDonald (1970, 1978, 1986) se
muestra también crítico con a, negando que sea un
buen indicador de la generalizabilidad, así como del
límite inferior de la fiabilidad.
Cabe señalar que si bien el coeficiente alfa puede utilizarse tanto si los ítems son dicotómicos
como si provienen de una escala ordinal con varias
categorías, tipo Likert, en este último caso se han
propuesto algunas variaciones que mejoran la estimación de la consistencia interna de la prueba respecto a la fórmula clásica aquí expuesta; pueden
consultarse a tal efecto los trabajos de Elosua y
Zumbo (2008) o Zumbo et al. (2007). Para el
cálculo de a existen numerosos paquetes estadísticos, de libre acceso, como el software R (Elosua,
2009), o comerciales, como el SPSS, entre otros.
7.2. Casos particulares de a
Previamente a la presentación del coeficiente a
por Cronbach en 1951, la psicometría clásica ya
disponía de otras fórmulas para estimar la fiabilidad en términos de la consistencia interna del test.
Dado que a constituye una solución más general al
problema, se presentan aquí cuatro de esas fórmulas como casos particulares de a:
— Rulon (1939).
— Guttman (1945)/Flanagan (1937).
— Kuder y Richardson (1937):
• KR20.
• KR21.
Rulon
ρ XX ′ = 1 −
σ d2
σ X2
[2.29]
donde:
sd2:Varianza de las diferencias entre las puntuaciones de los sujetos en las dos mitades
del test.
s X2 :Varianza de las puntuaciones globales de
los sujetos en el test.
© Ediciones Pirámide
Fiabilidad
La fórmula de Rulon es una estimación de la
fiabilidad del test a partir de las puntuaciones obtenidas en sus dos mitades, que se asumen paralelas,
y, por tanto, las puntuaciones en ellas solo diferirán
debido al error aleatorio. Nótese que [2.29] emerge
directamente de la definición de coeficiente de fiabilidad dada en [2.2], rXX ′ = 1 – (se2/s X2 ), al considerar,
como se ha dicho, que la diferencia entre las dos
mitades se debe únicamente al error, es decir, se define la varianza de los errores como la varianza de
las diferencias.
Guttman-Flanagan
1
ρ XX ′ = 2 1 −
σ 2p + σ i2
σ X2
2
sea, por ese método se pueden hacer 126 estimaciones de su fiabilidad. Se demuestra (Cronbach, 1951)
que a calculado a partir de todos los ítems de un
test es el valor medio que se obtendría de calcularlo
para todas las posibles mitades del test, es el valor
esperado de las mitades: a = E(a/2).
Kuder-Richardson
En su famoso artículo de 1937, Kuder y Richardson presentan, entre otras, sus no menos famosas fórmulas KR20 y KR21, denominadas así por
hacer precisamente los números 20 y 21 de las presentadas por los autores.
[2.30]
KR20 =
donde:
sp2:Varianza de las puntuaciones obtenidas por
los sujetos en los ítems pares.
si2:Varianza de las puntuaciones obtenidas en
los ítems impares.
s X2 : Varianza de las puntuaciones globales.
La fórmula de Guttman-Flanagan es equivalente a la de Rulon, expresando la varianza de las diferencias que aparecía en la fórmula de Rulon en
función de las varianzas de la mitad par e impar del
test. Puede tratar de demostrarlo el lector a modo
de ejercicio.
Tanto [2.29] como [2.30] son casos particulares
de a cuando n = 2, precisamente las dos mitades.
En ese caso viene dada por:
/ 41
1
n
1−
n–1
n
∑ pjq j
j =1
σ X2
2
[2.31]
KR20 es un caso particular de a cuando los
ítems son dicotómicos, pues en ese caso, como es
bien sabido, la varianza de una variable dicotómica
viene dada por sj2 = pj qj, siendo pj la proporción de
personas que aciertan el ítem j, y qj, la proporción
de los que lo fallan.
KR21 =
X – (X 2 / n) ⎤
n ⎡
⎢1 –
⎥
n –1⎣
σ X2
⎦
[2.32]
KR21 es un caso particular de a cuando además
de dicotómicos los ítems tienen la misma dificultad,
en cuyo caso:
n
α =
1
2
1−
2–1
σ 12
σ 22
+
σ X2
2
que es idéntica a [2.30], donde 2 y 1 se refieren a la
mitad par e impar, respectivamente.
La estimación de la fiabilidad a partir de dos
mitades resulta bastante problemática: ¿qué mitades tomar? Un test con n ítems tiene muchas posibles mitades, exactamente combinaciones de n elementos tomados de n/2 en n/2. Por ejemplo, un test
con 10 ítems (solo 10) tiene 252 posibles mitades, o
© Ediciones Pirámide
∑ p j q j = np j q j = npq = np(1 –
p) = np – npp =
j =1
= np –
X2
nppn
=X –
n
n
—
puesto que np = X cuando p es constante para todos los ítems.
Demuestre el lector, a modo de ejercicio, que si
se utiliza KR21 con ítems cuya dificultad no es la
misma para todos ellos, se obtiene un resultado menor que el que se obtendría utilizando KR20.
42 /
Introducción a la Psicometría
Ejemplo
Estas cuatro fórmulas que se acaban de citar
tenían otrora una gran utilidad práctica, dada su
sencillez para el cálculo; pero en la actualidad, en
que todos los cálculos se hacen mediante ordenador, han caído en desuso y sencillamente se calcula
a en su forma general.
Finalmente, veamos un ejemplo en el que se
apliquen las fórmulas propuestas.
Un test que consta de seis ítems se aplicó a una
muestra de cinco personas, obteniéndose los resultados de la tabla 2.1, en la que 1 significa acierto, y
0, fallo. Calcular a, Rulon, Guttman-Flanagan,
KR20 y KR21.
TABLA 2.1
Ítems
Sujetos
A
B
C
D
E
1
2
3
4
5
6
X
P
I
P−I
1
1
0
1
1
1
0
1
1
0
0
1
1
1
0
1
1
0
1
0
0
1
0
1
0
0
0
0
1
0
3
4
2
6
1
2
1
1
3
0
1
3
1
3
1
1
–2
0
0
–1
— Varianza de los impares:
A la derecha de la tabla se han colocado las
puntuaciones de las personas en los ítems pares (P),
impares (I ) y la diferencia (P − I ).
Obtendremos previamente todos los datos necesarios para la aplicación de las fórmulas:
Si2 = 0,96
— Varianza de la diferencia:
— Media total:
Sd2 = 1,039
3+ 4+2 +6+1
= 3,2
5
X =
α =
1
2
6
0,16 + 0,24 + 0,24 + 0,24 + 0,24 + 0,16
1–
=
6–1
2,96
— Varianza:
= 0,681
SX2 =
3 + 4 +2 +6 +1
– (3,2)2 = 2,96
5
2
2
2
2
2
— Varianzas de los ítems:
S12
S32
1,039
= 0, 648
2,96
1
Guttman-Flanagan = 2 1 –
= (4/5)(1/5) = 0,16
S22
= (3/5)(2/5) = 0,24
= (3/5)(2/5) = 0,24
S42
= (2/5)(3/5) = 0,24
S52 = (3/5)(2/5) = 0,24
Rulon = 1 –
S62 = (1/5)(4/5) = 0,16
KR20 =
16 – 1211 –
6
2
1,04 + 0,96
= 0,648
2,96
2
0,16 + 0,24 + 0,24 + 0,24 + 0,24 + 0,16
=
2,96
= 0,681
— Varianza de los pares:
Sp2 = 1,04
KR21 =
1
2
6
3,2 + (3,2)2 /6
1−
= 0,594
2,96
6–1
© Ediciones Pirámide
Fiabilidad
Nótese cómo efectivamente KR21 < KR20 debido a que todos los ítems no tienen la misma dificultad. El uso de KR21 no estaría justificado en este
caso.
7.3. Cálculo de a mediante análisis
de varianza
n: Número de ítems del test.
r1: [MCentre – MCresidual]/nMCresidual
siendo MCentre la media cuadrática entre los sujetos
y MCresidual la media cuadrática residual, en un modelo de análisis de varianza de medidas repetidas,
puesto que los ítems pueden ser considerados medidas repetidas de la misma variable, precisamente
aquella que se trata de evaluar con el test.
Como Hoyt ya mostrara en 1941, el valor de a
puede calcularse utilizando la técnica del análisis de
varianza. No es difícil demostrar (véase, por ejemplo, Winer, 1971, pp. 283-296) que a viene dado por:
α =
/ 43
Ejemplo
Utilizando el análisis de varianza, vamos a calcular el coeficiente a para los datos del ejemplo propuesto en el apartado anterior, comprobando que,
efectivamente, de este modo se obtiene el mismo
resultado que allí, es decir, a = 0,681. Los datos del
ejemplo eran los de la tabla 2.2.
nr1
1 + nr1
donde:
TABLA 2.2
Ítems
Sujetos
1
2
3
4
5
6
Total sujetos
A
B
C
D
E
1
1
0
1
1
1
0
1
1
0
0
1
1
1
0
1
1
0
1
0
0
1
0
1
0
0
0
0
1
0
3
4
2
6
1
Total ítems
4
3
3
3
2
1
16
A partir de los datos de la tabla resulta muy
sencillo obtener el valor de MCentre y MCresidual. El
lector poco familiarizado con el modelo de análisis
de varianza de medidas repetidas puede consultar
una exposición clara y detallada en Amón (1984) o
Winer (1971), entre otros.
Pasos para el cálculo:
a)
b)
T2
162
=
= 8,53333.
(n)(N ) (6)(5)
∑ j 2 = 12 + 12 + 02 + 12 + 02 + 02 + 12 + 02 + ! +
+ 0 2 + 0 2 + 0 2 = 16.
© Ediciones Pirámide
c)
∑ I2
=
42 + 32 + 32 + 32 + 2 2 + 12
= 9,6.
5
d)
∑ S2
=
32 + 42 + 2 2 + 62 + 12
= 11.
6
N
n
SCentre
d – a 11 – 8,53333
=
=
=
N –1
N –1
5–1
= 0,61666
MCentre =
SCresidual
b–c–d+a
=
=
(n – 1)(N – 1) (n – 1)(N – 1)
16 – 9,6 – 11 + 8,53333
=
= 0,19666
(6 – 1)(5 – 1)
MCresidual =
44 /
Introducción a la Psicometría
r1 =
donde:
0,61666 – 0,19666
= 0,35594
6(0,19666)
K: Número de subtest de la batería.
s X2 :Varianza de las puntuaciones globales de la
batería.
sj2: Varianza de cada subtest.
nj: Número de ítems de cada subtest.
n: Número de ítems total de la batería.
6(0,35594)
α =
= 0,81
1 + 6(0,35594)
Que, efectivamente, es el resultado obtenido anteriormente utilizando la fórmula propuesta por
Cronbach (1951).
7.4. Coeficiente beta (b)
Raju (1977) propuso el coeficiente b, generalización de a, que permite resolver un problema que se
plantea cuando se dispone de una batería compuesta de varios subtest y se está interesado en obtener
una estimación del coeficiente a de la batería basándose en los datos de los subtest considerados como
componentes, al modo de los ítems de un test, es
decir, aquí los subtest serían los ítems de la batería.
Pues bien, en esas circunstancias, si los subtest tienen distinto número de ítems, que suele ser lo más
frecuente, y se calcula el coeficiente a global de la
batería, la estimación resulta ser una infraestimación, y ese es precisamente el problema que viene a
resolver Raju. En suma, el coeficiente b evita el problema de la infraestimación de a en las baterías
cuando los subtest que las componen tienen distinto número de ítems, siendo igual a a cuando el número de ítems de los subtest es el mismo.
Ha de tenerse claro que todo esto tiene sentido
si se desconocen los datos directos de las respuestas
de las personas a cada ítem, pues, conocidas estas,
es más recomendable calcular a directamente, considerando la batería un test formado por los ítems
de todos los subtest. No obstante, puede haber situaciones, de hecho hay bastantes, en las que solo
se dispone de los datos referidos a los subtest, en
cuyo caso b resulta apropiado.
El coeficiente b viene dado por la fórmula:
β =
3
σ X2 1 –
–
∑
j =1
k
1
2
α =
3
6 + 8 + 10
1–
= 0,375
3–1
32
β =
32 – (6 + 8 + 10)
= 0,426
32[1 – {(10/75)2 + (25/75)2 + (40/75)2 }]
El coeficiente a estimado según la corrección de
Raju pasa de 0,375 a 0,426.
Nótese que, efectivamente, si el número de ítems
de los subtest es el mismo, entonces a = b, pues:
N = Knj
luego
k
1−
∑1 n 2
nj
2
k
= 1−
j =1
∑ 1 Kn
nj
j =1
= 1–
σ 2j
∑ 1 nj 2
j =1
Una batería de procesos básicos está formada
por tres subtest: memoria a corto plazo (MCP), memoria a largo plazo (MLP) y tiempo de reacción
(TR), con 10, 25 y 40 ítems, respectivamente. Aplicada la batería a una muestra, se encontró una varianza de las puntuaciones globales igual a 32, siendo las
varianzas de los subtest 6, 8 y 10, respectivamente.
Calcular el coeficiente a y el coeficiente b de la
batería en función de los subtest.
j
2
2
k
= 1−
1
∑ K2
=
j =1
K
1
K –1
= 1–
=
2
K
K
K
luego
k
σ X2
Ejemplo
n
2
4
σ X2 –
[2.33]
β =
σ X2
k
∑ σ 2j
j =1
(K – 1)/ K
=
1
k
∑ σ 2j
K
j =1
1−
K –1
σ X2
2
=α
© Ediciones Pirámide
Fiabilidad
7.5.Coeficientes basados en el análisis
factorial de los ítems
/ 45
TABLA 2.3
A partir de los datos proporcionados por el análisis factorial de los ítems de un test se pueden obtener indicadores de la consistencia interna muy semejantes al coeficiente a. Ni que decir tiene que el
propio resultado del análisis factorial ya constituye
un excelente indicador de la consistencia interna de
los ítems, analizando la matriz de correlaciones, el
número de factores obtenidos y la varianza explicada por cada uno de ellos. No obstante, tiene interés
la obtención de algún índice único que sintetice de
una forma razonable toda esta información.
Dos de los índices más usados son la theta (q)
de Carmines (Carmines y Zeller, 1979) y la omega
(W) de Heise y Bohrnstedt (1970).
Factor
Varianza explicada
(Eigenvalues)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9,9564
1,3327
0,9839
0,6498
0,4976
0,3751
0,3230
0,2567
0,1931
0,1557
0,0882
0,0669
0,0544
0,0340
0,0325
Coeficiente theta (q)
La fórmula del coeficiente q viene dada por:
θ =
1
n
1
1−
n–1
λ1
2
donde:
n: Número de ítems.
l1:Valor propio (eigenvalue) mayor, es decir, la
varianza explicada por el primer factor antes de la rotación.
La interpretación de q es clara: cuanta más varianza explica el primer factor, mayor será q, lo que
indicará que los ítems están más intercorrelacionados y tienden a articularse en torno a una sola dimensión. q puede, por tanto, ser considerado un
indicador del grado de unidimensionalidad de los
ítems. Como señalan Carmines y Zeller (1979), q
constituye una buena estimación del límite superior
de a, es decir, a ⩽ q.
Ejemplo
En la tabla 2.3 aparece la varianza explicada
(Eigenvalues) por los 15 factores obtenidos al someter a un análisis factorial 15 variables (Muñiz,
García y Virgós, 1991). Calcular q.
© Ediciones Pirámide
Sustituyendo en la fórmula:
θ =
1
2
15
1
1−
= 0,9638
15 – 1
9,9564
Para los mismos datos, el valor de a resultó ser
de 0,9613, comprobándose que, efectivamente, su
valor es inferior que el de q.
Coeficiente omega (W)
Su fórmula viene dada por:
Ω = 1–
∑ σ i2 – ∑ σ i2 hi2
σ ij
oj ≠o
1
donde:
Σ si2: Suma de las varianzas de los ítems.
hi2: Comunalidad estimada del ítem i.
ΣΣ sij: Suma de las covarianzas entre los ítems.
La fórmula anterior puede expresarse de un
modo más sencillo en función de las correlaciones
entre los ítems:
Ω = 1–
n – ∑ hi2
n + 2 ∑ rij
46 /
Introducción a la Psicometría
donde:
Σ rij: Suma de las correlaciones entre los ítems,
y el resto de los términos son los de la
fórmula anterior.
Para los datos del ejemplo anterior, W viene
dado por:
Ω = 1–
15 – 11,94898
= 0,9791
15 + 2(66,623)
Nótese que, como señalan Armor (1974) y Carmines y Zeller (1979), el valor de W para unos mismos datos es superior al de a y q. En el caso de que
los ítems fuesen paralelos, los tres coeficientes serían iguales entre sí, y además serían iguales al coeficiente de fiabilidad del test. De lo contrario, su
cuantía viene dada en el siguiente orden: a < q < W.
Por tanto, de los tres estimadores de la consistencia
interna que acabamos de exponer, a es el que proporciona valores ligeramente más bajos.
7.6. Inferencias sobre a
Hasta ahora se ha visto únicamente cómo se
calcula el coeficiente a en una muestra, pero, una
vez hallado su valor, seguramente se le plantearán
al investigador o profesional varias preguntas, por
ejemplo, si su coeficiente es estadísticamente significativo, cuál es el valor de a en la población, o si la
diferencia entre su coeficiente a y el hallado por
otro investigador es significativa, etc. De este tipo
de cuestiones, y otras parecidas, concernientes a los
aspectos inferenciales acerca de a es de lo que trata
el presente apartado.
La teoría del error muestral para el coeficiente
a ha sido desarrollada por diversos autores (Feldt,
1965, 1969, 1980; Hakstian y Whalen, 1976; Kristof, 1963, entre otros). Aquí seguiremos básicamente la exposición sistemática y clara realizada por
Feldt, Woodruff y Salih (1987). Se considerarán
tres casos:
a) Inferencias acerca de un solo coeficiente.
b)Comparación de coeficientes obtenidos en
muestras independientes.
c)Comparación de coeficientes obtenidos en
la misma muestra.
Un solo coeficiente
Una vez calculado el valor de a en una muestra
(a§), cabe preguntarse si a un determinado nivel de
confianza el valor obtenido es compatible con la
hipótesis de que a tome determinado valor en la
población, siendo especialmente habitual preguntarse si es compatible con la hipótesis de que su
valor en la población sea cero, es decir, preguntarse
si resulta estadísticamente significativo. Kristof
(1963) y Feldt (1965) han propuesto a tal efecto
(véase apéndice) el estadístico de contraste:
F =
1– α
1 – α̂
[2.34]
que se distribuye según F con (N – 1) y (n – 1)
(N – 1) grados de libertad, y donde:
N:
n:
a:
a§:
Número de casos de la muestra.
Número de ítems del test.
Valor de alfa en la población.
Valor de alfa en la muestra.
Ejemplo
Un test de inteligencia espacial que constaba de
50 ítems se aplicó a una muestra de 40 personas,
obteniéndose un coeficiente a§ = 0,75. Utilizando el
nivel de confianza del 95 %:
1.¿Puede afirmarse que el coeficiente encontrado es estadísticamente significativo?
2.¿Entre qué valores se estima que se encontrará el coeficiente a de la población?
1. Hipótesis nula:
H0: a = 0
Hipótesis alternativa:
H1: a ≠ 0
© Ediciones Pirámide
Fiabilidad
Calculamos el valor del estadístico de contraste:
F =
1– α
1– 0
=
=4
1 – α̂
1 – 0,75
Los valores críticos de F en las tablas (bilateral)
vienen dados por:
F0,975(39,1911) = 1,48
F0,025(39,1911) = 0,61
Es evidente que, una vez establecidos los límites
entre los que se considera que se encuentra el valor
de a en la población, quedan resueltas automáticamente todas las hipótesis acerca de su cuantía.
Muestras independientes
a) Dos coeficientes
Feldt (1969) propuso un estadístico de contraste que permite comparar dos coeficientes a obtenidos en muestras independientes:
Dado que el valor del estadístico de contraste
(F = 4) no está comprendido entre los valores críticos 0,61 y 1,48, se rechaza la hipótesis nula al NC
del 95 %, y se puede afirmar, por tanto, que el coeficiente a encontrado es estadísticamente significativo, es decir, es incompatible con la hipótesis de
que el valor de a en la población sea 0.
2. Para resolver la segunda pregunta basta con
sustituir los valores críticos de F ya calculados en el
estadístico de contraste y despejar a:
1– α
¯ 1,48
1 – 0,75
de donde
α ˘ 0,63
1– α
˘ 0,61
1 – 0,75
de donde
α ¯ 0,8475
w=
1 – α̂ 1
1 – α̂ 2
[2.35]
donde w se distribuye según F con (N1 – 1) y (N2 – 1)
grados de libertad (véase apéndice), y a§1 y a§2 son
los valores de a en cada muestra.
Ejemplo
El coeficiente a de una escala de dogmatismo en
una muestra de 55 mujeres fue 0,60 y en una muestra de 126 hombres resultó ser 0,67. Al NC del
95 %, ¿puede afirmarse que existen diferencias estadísticamente significativas entre ambos coeficientes?
H0 : α1 = α 2
H1: α 1 ≠ α 2
Por tanto:
0,63 ⩽ a ⩽ 0,8475
En suma, al NC del 95 %, a estará comprendido
entre 0,63 y 0,8475. Nótese que la hipótesis de significación estadística planteada en la primera pregunta puede resolverse a la luz del intervalo confidencial ahora calculado, dado que si se estima que
el a de la población estará entre 0,63 y 0,8475, ello
quiere decir que el valor 0 de la hipótesis nula no
cae dentro de dicho intervalo; luego, como efectivamente se hizo allí, se rechaza dicha hipótesis y se
afirma la significación estadística. Lo cual puede
resumirse diciendo que el problema de la significación estadística es un caso particular de la comprobación de hipótesis; no obstante se mantendrá la
distinción terminológica por ser tan habitual en la
literatura psicológica.
© Ediciones Pirámide
/ 47
w=
1 – 0,60
= 1,21
1 – 0,67
En las tablas de F:
F0,975(54.125) = 1,53
F0,025(54.125) = 0,63
Como w = 1,21 se admite la hipótesis nula, la
diferencia no resulta estadísticamente significativa
al NC del 95 %.
b) K coeficientes
Woodruff y Feldt (1986) derivaron el estadístico
de contraste UX1 que permite la comparación si-
48 /
Introducción a la Psicometría
multánea de K coeficientes a obtenidos en muestras
independientes. Por su parte, Hakstian y Whalen
(1976) propusieron un método ligeramente distinto
a este que conduce a resultados similares.
de personas. Cada escala constaba de 25 ítems, y el
número de personas de las muestras fue, respectivamente, de 100, 70, 80 y 104. Se obtuvieron para a
los siguientes valores:
a§1 = 0,7, a§2 = 0,5, a§3 = 0,6, a§4 = 0,8
k
UX 1 =
∑ [(1 – α̂ i )–1/3 – u ]2
i =1
S
[2.36]
2
Al nivel de confianza del 95 %, ¿puede afirmarse
que las diferencias entre los valores de a obtenidos
son estadísticamente significativas?
donde:
H0: a1 = a2 = a3 = a4
K: Número de muestras independientes.
UX1:Se distribuye según c2 (muy aproximadamente) con K – 1 grados de libertad.
a§i: Valor de a en cada muestra i.
u–: Viene dado por:
k
(1 – α̂ i ) –1/3
∑
K
i =1
—
S : Viene dado por:
k
S2
S 2: ∑ i
i =1 K
donde
2
Si2 =
!
9( Ni – 1)(1 – α i )2/3
y
N (n – 1)
N! i = i i
ni + 1
siendo
Ni: Número de personas de cada muestra.
ni: Número de ítems de cada test.
u =
+
(1 – 0,8) –1/3
= 1,455
4
100(25 – 1)
= 92,31
N! 1 =
25 + 1
70(25 – 1)
= 64,61
N! 2 =
25 + 1
80(25 – 1)
= 73,85
N! 3 =
25 + 1
104(25 – 1)
= 96,00
N! 4 =
25 + 1
S12 =
2
= 0,0054
9(92,31 – 1)(1 – 0,7)2/3
S22 =
2
= 0,0055
9(64,61 – 1)(1 – 0,5)2/3
S32 =
2
= 0,0056
9(73,85 – 1)(1 – 0,6)2/3
S42 =
2
= 0,0068
9(96,00 – 1)(1 – 0,8)2/3
S2 =
0,0054 + 0,0055 + 0,0056 + 0,0068
= 0,0058
4
UX1 =
Ejemplo
Para evaluar la depresión se utilizaron cuatro
versiones de un cuestionario (D1, D2, D3, D4) aplicada cada una de ellas a una muestra independiente
(1 – 0,7) –1/3 (1 – 0,5) –1/3 (1 – 0,6) –1/3
+
+
+
4
4
4
+
[(1 – 0,7) –1/3 – 1,455]2 [(1 – 0,5) –1/3 – 1,455]2
+
+
0,0058
0,0058
[(1 – 0,6) –1/3 – 1,455]2 [(1 – 0,8) –1/3 – 1,455]2
+
=
0,0058
0,0058
= 19,679
© Ediciones Pirámide
Fiabilidad
Al NC del 95 % los valores críticos de c2 (bilateral) con 3 grados de libertad (K – 1 = 4 – 1 = 3)
son 0,22 y 9,35. Dado que nuestro valor de 19.679
no está comprendido en dicho intervalo, rechazamos la hipótesis nula de igualdad entre los coeficientes de fiabilidad a. Nótese que la hipótesis que
se rechaza es que todos sean iguales; sin embargo,
podría ocurrir, por ejemplo, que dos de ellos sí lo
fuesen. Para hacer comparaciones por pares puede
utilizarse el estadístico de contraste expuesto en
[2.35] o este mismo UX1 con K = 2. Veamos en el
caso de nuestro ejemplo, a modo de ilustración, si
se puede afirmar que a4 = 0,8 resulta estadísticamente superior a a2 = 0,5.
H0: a4 = a2
H1: a4 > a2
u =
(1 – 0,5) –1/3 (1 – 0,8) –1/3
+
= 1,485
2
2
S22 = 0,0055
S42 = 0,0068
S2 =
/ 49
Muestras dependientes
a)
Dos coeficientes
Los investigadores y profesionales disponen a
menudo de los coeficientes a de dos test que han
sido calculados en muestras dependientes; tal es el
caso cuando ambos coeficientes han sido calculados
en la misma muestra. Feldt (1980) propuso un estadístico de contraste que permite comparar dos coeficientes a obtenidos en la misma muestra:
t=
(α̂ 1 – α̂ 2 ) N – 2
2
4(1 – α̂ 1 )(1 – α̂ 2 )(1 – ρ̂12
)
[2.37]
donde:
t:Se distribuye con N – 2 grados de libertad.
N: Número de sujetos de la muestra.
a§1 y a§2: Valores de los coeficientes a de los test.
r§12:Correlación entre las puntuaciones de
las personas en ambos test.
0,0055 + 0,0068
= 0,00615
2
[(1 – 0,5) –1/3 – 1,485]2 [(1 – 0,8) –1/3 – 1,485]2
+
=
UX 1 =
0,00615
0,00615
= 16,47
Al nivel de confianza del 95 %, el valor crítico
de c2 (unilateral) con 1 grado de libertad (K – 1 =
= 2 – 1 = 1) viene dado por 3,84; por tanto, dado
que 16,47 > 3,84, se rechaza la hipótesis nula de
igualdad, afirmándose al NC del 95 % que a4 es estadísticamente superior a a2.
Al mismo resultado se llegaría utilizando el estadístico de contraste expuesto en [2.35]:
w=
1 – 0,5
= 2,5
1 – 0,8
El valor crítico correspondiente a F 0,95(69,103)
(unilateral) en las tablas es 1,43 menor que 2,5;
luego, como antes, se rechaza la hipótesis nula de
igualdad.
© Ediciones Pirámide
Ejemplo
Dos test de independencia de campo se aplicaron a una muestra de 227 personas, obteniéndose
una correlación entre las puntuaciones de las personas en ambos de 0,6. Los coeficientes a para cada
uno de los test fueron, respectivamente, 0,70 y 0,85.
Al nivel de confianza del 95 %, ¿puede afirmarse
que la diferencia entre ambos coeficientes a es estadísticamente significativa?
H0: a1 = a2
H1: a1 ≠ a2
t=
(0,85 – 0,70) 227 – 2
4(1 – 0,85)(1 – 0,70)(1 – 0,62 )
= 6,63
Los valores críticos de t en las tablas (bilateral)
con 225 grados de libertad vienen dados por –1,972
y +1,972. Dado que el valor obtenido (6,63) cae
fuera de dicho intervalo, se afirma que al NC del
50 /
Introducción a la Psicometría
95 % la diferencia entre los coeficientes es estadísticamente significativa; se rechaza, por tanto, la hipótesis nula.
b)
Ejemplo
Se aplicaron cuatro test a una muestra de 200
personas, obteniéndose las siguientes correlaciones
entre las puntuaciones:
K coeficientes
Para comparar simultáneamente más de dos
c­ oeficientes a obtenidos en la misma muestra, Wood­
ruff y Feldt (1986) propusieron el siguiente estadístico de contraste:
k
∑ [(1 – α̂ i )–1/3 – u ]2
i =1
UX 2 =
S 2 – S jk
k
k
Si2
i =1 k
∑
Si2:
u =
2
!
9(N – 1)(1 – α̂ i )2/3
N ( n! – 1)
n! + 1
K
n~: k
(media armónica de la longi1 tudes de los test)
∑
i = 1 ni
~
N:
9( N! – 1)(1
2 ρ̂ 2jk
– α̂ j )1/3 (1
∑ S jk
K (K – 1)/2
1
1
1
(1 – 0,70) –1/3 + (1 – 0,75) –1/3 + (1 – 0,80) –1/3 +
4
4
4
1
+ (1 – 0,85) –1/3 = 1,67
4
n! =
4
= 26,33
(1/20) + (1/25) + (1/30) + (1/35)
200(26,33 – 1)
= 185,36
N! =
(26,33 + 1)
1/3
i)
con
—
S jk:
H0: a1 = a2 = a3 = a4
1
∑ K (1 – α̂
i =1
Sjk:
r14 = 0,60
r34 = 0,30
K =4
K: Número de test.
N: Número de personas de la muestra.
UX2:Se distribuye (aproximadamente) según c2
con K – 1 grados de libertad.
a§i:Valor empírico de los coeficientes en la
muestra.
—
S 2:
r13 = 0,50,
r24 = 0,55,
Los coeficientes a de cada uno de ellos fueron,
respectivamente: 0,70, 0,75, 0,80 y 0,85. Los test
constaban de 20, 25, 30 y 35 ítems, respectivamente.
Al nivel de confianza del 95 %, ¿puede afirmarse
que existen diferencias estadísticamente significativas entre los coeficientes a de los cuatro test?
[2.38]
donde:
u–:
r12 = 0,40,
r23 = 0,45,
– α̂ k )1/3
S12 =
2
= 0,00269
9(185,36 – 1)(1 – 0,70)2/3
S22 =
2
= 0,00304
9(185,36 – 1)(1 – 0,75)2/3
S32 =
2
= 0,00352
9(185,36 – 1)(1 – 0,80)2/3
S42 =
2
= 0,00427
9(185,36 – 1)(1 – 0,85)2/3
S2 =
0,00269 + 0,00304 + 0,00352 + 0,00427
=
4
= 0,00338
S12 =
2(0,40)
= 0,00114
9(185,36 – 1)(1 – 0,70)1/3 (1 – 0,75)1/3
© Ediciones Pirámide
Fiabilidad
/ 51
S12 =
2(0,40)
= 0,00114
9(185,36 – 1)(1 – 0,70)1/3 (1 – 0,75)1/3
empírica de la persona (X ) y su puntuación verdadera (V ):
S13 =
2(0,50)
= 0,00154
9(185,36 – 1)(1 – 0,70)1/3 (1 – 0,80)1/3
e=X–V
2(0,60)
S14 =
= 0,00203
9(185,36 – 1)(1 – 0,70)1/3 (1 – 0,85)1/3
S23 =
2(0,45)
= 0,00147
9(185,36 – 1)(1 – 0,75)1/3 (1 – 0,80)1/3
S24 =
2(0,55)
= 0,00198
9(185,36 – 1)(1 – 0,75)1/3 (1 – 0,85)1/3
S34 =
2(0,30)
= 0,00110
9(185,36 – 1)(1 – 0,80)1/3 (1 – 0,85)1/3
S jk =
0,00114 + 0,00154 + 0,00203 + 0,00147
+
4(4 – 1)/2
+
UX 2 =
+
0,00198 + 0,00110
= 0,00154
4(4 – 1)/2
[(1 – 0,70) –1/3 – 1,67]2 [(1 – 0,75) –1/3 – 1,67]2
+
+
0,00338 – 0,00154
0,00338 – 0,00154
[(1 – 0,80) –1/3 – 1,67]2 [(1 – 0,85) –1/3 – 1,67]2
+
=
0,00338 – 0,00154
0,00338 – 0,00154
= 45,89
Los valores críticos de c2 con 3 grados de libertad (K – 1 = 4 – 1 = 3) vienen dados por 0,22 y
9,35. Dado que el valor hallado, 45,89, no cae dentro de dicho intervalo, se rechaza la H0 o, lo que es
lo mismo, se afirma al NC del 95 % que existen diferencias estadísticamente significativas entre los
coeficientes a. Nótese que la hipótesis alternativa
no es que todos los coeficientes a sean desiguales,
sino que no todos son iguales.
8. TEORÍA DE LA GENERALIZABILIDAD
8.1. Fuentes de error
Como se acaba de ver en las páginas precedentes, la teoría clásica define el error aleatorio de las
mediciones como la diferencia entre la puntuación
© Ediciones Pirámide
Es decir, el que una persona no obtenga la misma puntuación empírica en dos formas paralelas de
un test, o en dos aplicaciones sucesivas del mismo
test, se debe a que han intervenido ciertos factores
distorsionadores que generan error aleatorio. Una
medida será tanto más fiable cuanto menos error
aleatorio contenga, cantidad que se estima mediante
el coeficiente de fiabilidad. Ahora bien, ¿no sería posible penetrar dentro de ese error y averiguar a qué
se debe exactamente?, ¿diseccionar los distintos factores que lo componen?; en suma, ¿no sería posible
descubrir las fuentes de las que mana el error? Algo
de error aleatorio incontrolable siempre habrá; todas
las ciencias lo asumen en sus mediciones, pero sería
deseable conocer de dónde proviene el grueso del
error para así mejor evitarlo. La teoría clásica ha
peleado con este asunto desde siempre, y su estrategia, que ha probado ser eficaz, ha sido la de mantener fijas todas las condiciones intervinientes en el
proceso de medición, para así atribuir el error existente a variaciones espurias, que se espera sean mínimas. El planteamiento es correcto cuando se puede
llevar a cabo; lo que ocurre es que en muchas situaciones de medición en las ciencias sociales esta fijación no se puede realizar, y es entonces cuando interesa saber cuánto error se debe a cada uno de los
factores intervinientes. Por ejemplo, si se utiliza el
método test-retest para calcular el coeficiente de fiabilidad, se asume que todo permanece igual: la competencia de las personas en la variable medida, el
test, el aplicador, el lugar, etc. Por tanto, es razonable
asumir que las variaciones entre una y otra aplicación se deban a ligeras variaciones de causa ignota y
aleatoria. Sin embargo, hay numerosas situaciones
en las que no todos los factores intervinientes son
constantes, y en esos casos tiene gran interés averiguar qué parte del error aleatorio se debe a unos y a
otros. Por ejemplo, si varios profesores evalúan a un
grupo de niños con varios métodos de evaluación,
existen dos fuentes potenciales de error:
a)Los profesores, ya que no todos ellos actuarán exactamente igual, es decir, la fiabilidad
interprofesor no será perfecta.
52 /
Introducción a la Psicometría
b)Los métodos de evaluación, pues no será lo
mismo si se trata de una prueba objetiva, o
de un ensayo, que sea oral o escrita, etc.
Siempre quedará un cierto error aleatorio que
no sabremos a qué atribuir, pero en este caso tenemos identificadas al menos dos fuentes potenciales
de error. Claro, se podrá decir, lo que ocurre es que
las cosas no se deben hacer así, habría que unificar
profesores y métodos para eliminar su incidencia.
Desde luego esa es una opción, incluso se podría
decir que deseable; lo que ocurre es que no siempre
es posible en las ciencias sociales, por lo que hay
que disponer de tecnología psicométrica para atacar el problema cuando se presente. En el campo de
la psicología de las aptitudes y de la personalidad
es más frecuente la tendencia a unificar las condiciones de medida, pero en planteamientos de carácter más observacional y en muchas situaciones educativas se presentan numerosos casos en los que
esto no es posible.
Analizar y descifrar racionalmente las fuentes
de error no resulta especialmente complicado cuando se conoce a fondo la situación concreta de medición; lo que ya es algo más difícil es estimar la
cuantía de los errores atribuible a esas fuentes. Empecemos por lo más sencillo: autores clásicos como
Cronbach (1947), Thorndike (1951) o Stanley
(1971) llevaron a cabo análisis racionales exhaustivos de las distintas fuentes del error.
El primer y más obvio manantial de errores es
la propia persona que realiza el test. Su situación
específica en ese momento (salud, humor, fatiga,
motivación, etc.), su suerte, entrenamiento previo,
acontecimientos personales recientes, etc., influyen
para que su puntuación empírica en una prueba
fluctúe de una a otra vez. Raramente podremos estimar la incidencia de este tipo de errores, todo lo
más que se puede hacer es realizar la prueba en
unas condiciones óptimas que los minimicen.
Las características del instrumento de medida
utilizado, tales como ítems, formato, modo de respuesta, etc., también pueden incidir en las puntuaciones. Cuando el instrumento de medida, o alguno
de sus ítems, interacciona con las personas, se habla
de sesgo. Si no resulta idéntico para todas las personas a las que se aplica, está sesgado contra cierto
tipo de ellas. Cuando se utiliza más de un instrumento hay que tratar de estimar los posibles errores
introducidos por ello, y, en cualquier caso, se debe
estudiar siempre la posible existencia de sesgo.
Los aplicadores pueden introducir sin pretenderlo distorsiones en los resultados, según lleven a
cabo las instrucciones, el tipo de relación que establezcan con las personas evaluadas (rapport), su
apariencia externa, características personales, etc.
Está claro que si no están perfectamente entrenados, los aplicadores pueden no actuar homogéneamente. Por tanto, cuando se utilicen varios aplicadores, estos pueden introducir un cierto error de
medida que conviene estimar.
Las condiciones de aplicación, tales como lugar,
hora, día, características físicas (ruido, luz, visibilidad, etc.), pueden tener una influencia notable. Un
ejemplo muy típico consiste en aplicar los test a los
niños a última hora de la mañana o de la tarde, por
conveniencias de horarios de clases, cuando los niños a esas horas lo único que desean es irse. No
digamos nada si para aplicar los test se suprime alguna actividad de su natural agrado, tal como recreo, deportes, etc.
Acontecimientos nacionales e internacionales
importantes pueden condicionar los resultados, especialmente si de algún modo interaccionan con el
objetivo de la medida.
Finalmente, a los factores anteriores habría que
añadir las posibles interacciones entre ellos. Por
ejemplo, podría ocurrir que la pericia de los aplicadores no fuese igual con todos los test, haciéndolo
mejor con un tipo de test que con otros; en ese caso
hablaríamos de una interacción aplicador × instrumento.
A la vista de tantos factores potencialmente distorsionantes, resulta asombroso que los test tengan
un coeficiente de fiabilidad razonable. Pero tampoco conviene alarmarse: si la variable medida tiene
entidad, el instrumento utilizado para medirla está
bien construido y se aplica adecuadamente, los
errores son mínimos.
Si se planifica la medición de tal modo que se
tengan en cuenta algunos de los factores citados, u
otros cualesquiera, se podrá estimar su contribución al tamaño de los errores. Por ejemplo, si sospechamos que los entrevistadores influyen en el
diagnóstico y también lo hace el tipo de entrevista,
podremos diseñar una recogida de datos en la que
se contemplen estos dos factores, para poder estimar posteriormente sus efectos.
© Ediciones Pirámide
Fiabilidad
Lo dicho hasta ahora acerca de la descomposición del error en sus distintos componentes solo implica que el investigador decida qué factores son los
relevantes para su medición, para así tenerlos en
cuenta. El problema será cómo estimar la cuantía del
error debido a cada uno de los diferentes factores intervinientes. Para llevar a cabo esta tarea se han sugerido y formulado diversos modelos (Lord y Novick, 1968; Novick, 1966), pero el acercamiento más
sistemático y ambicioso es el de la teoría de la generalizabilidad (TG). La TG hunde sus raíces en trabajos pioneros como los de Hoyt (1941), Burt (1955) o
Lindquist (1953), aunque sus ideas y conceptos hallábanse latentes y dispersos por la literatura psicométrica clásica. Serán Cronbach y sus colaboradores
(Cronbach et al., 1963; Gleser et al., 1965) quienes
lleven a cabo una formulación sistemática, especialmente en su enciclopédico trabajo de 1972 (Cronbach,
Gleser, Nanda y Rajaratnam, 1972). Exposiciones
más asequibles pueden consultarse en Brennan (1983)
y Shavelson y Webb (1991). Para una buena introducción, véanse Crocker y Algina (1986) o Shavelson,
Webb y Rowley (1989); consejos útiles para su uso en
la práctica pueden verse en Briesch et al. (2014), y un
tratamiento completo, en Brennan (2001).
/ 53
8.2. Conceptos básicos
El objetivo central de la TG es determinar las
distintas fuentes de error que afectan a las mediciones y estimar su cuantía. Veamos cuáles son los
conceptos clave de los que parte para llevar a cabo
esta tarea. Lo haremos mediante un ejemplo bastante artificial, pero útil para iniciarse en los conceptos básicos.
Ejemplo
Supongamos una población de 10 personas que
van a ser evaluadas para acceder a un puesto de
trabajo por una población de cinco evaluadores.
Cumplida su labor, las puntuaciones asignadas por
los evaluadores a las personas en una escala de cero
a diez puntos aparecen en la tabla 2.4 (la artificiosidad del ejemplo proviene de que lo normal es que
las poblaciones de personas y evaluadores sean mucho más numerosas, suele asumirse que infinitas;
por tanto, en la realidad se trabaja con muestras, no
con poblaciones).
TABLA 2.4
Población de evaluadores
Población de personas
E2
E3
E4
E5
a
b
c
d
e
f
g
h
i
j
7
4
0
6
3
2
7
4
2
9
8
4
0
6
3
2
8
5
4
9
7
2
1
5
2
2
6
5
3
8
9
3
2
4
2
2
6
4
4
7
8
4
1
5
3
2
7
4
3
8
7,8
3,4
0,8
5,2
2,6
2,0
6,8
4,4
3,2
8,2
mi
4,4
4,9
4,1
4,3
4,5
4,44
Xpi:Es la puntuación empírica de una persona
( p) en un instrumento de medida (i). Por
ejemplo, en la tabla 2.4 la persona g tiene
una puntuación Xpi = 8 con el evaluador
2, etc.
© Ediciones Pirámide
mp
E1
m:Se denomina gran media y es la media de
todas las personas de la población en todos
los instrumentos de medida de la población
de instrumentos que se contemple. En nuestro caso su valor es 4,44, que proviene de
54 /
Introducción a la Psicometría
hacer la media de las puntuaciones de todas
las personas para todos los evaluadores.
mp:Puntuación universo de una persona p. Es la
media de las puntuaciones de una persona
determinada en todos los instrumentos de
la población considerada. Los valores para
las personas de nuestra población aparecen
en la columna de la derecha.
mi:Media poblacional del instrumento. Es la
media de todas las personas de la población para un instrumento determinado. Los
valores para los instrumentos de nuestra
población aparecen en la última fila.
Matemáticamente estos conceptos pueden expresarse del siguiente modo:
Xpi:Se considera una variable aleatoria.
mp =Ei(Xpi): La puntuación universo de una persona es la esperanza matemática de sus
puntuaciones empíricas a través de todos
los instrumentos de medida. Conceptualmente sería equivalente a la puntuación
verdadera en términos de la teoría clásica.
mi =Ep(Xpi): La media poblacional del instrumento i es la esperanza matemática de las
puntuaciones de todos los sujetos de la población en ese instrumento.
m =Ep Ei(Xpi): La gran media es la esperanza
matemática de las puntuaciones de todas
las personas de la población en todos los
instrumentos de la población de instrumentos.
La puntuación empírica de una persona (Xpi)
puede expresarse en función de los términos anteriores más un error de medida:
Xpi = m + (mp – m) + (mi – m) + epi
Si se pasa m al primer miembro de la igualdad:
Xpi – m = (mp – m) + (mi – m) + epi
Lo cual indica que lo que separa la puntuación
de un sujeto de la gran media puede provenir de tres
fuentes:
— (mp – m): Efecto debido a la persona.
— (mi – m): Efecto debido al instrumento.
— epi: Error residual.
Ahora bien, este idílico ejemplo, como ya se indicó, se aleja bastante de la mucho más espinosa
realidad. ¿Qué es lo que normalmente nos vamos a
encontrar en esa realidad? En primer lugar, nunca
vamos a tener una población completa de instrumentos de medida ni de personas, tendremos una
muestra. De modo que empíricamente nunca tendremos los valores reales de m, mp y mi· Tendremos
los que obtengamos en la muestra utilizada, que
seguramente no coincidirán con los reales, pero,
aunque no coincidan exactamente, ¿lo hacen razonablemente bien? En otras palabras, el valor de la
muestra ¿es generalizable a la población? Ese es justo el problema que trata de resolver la TG: en qué
medida una muestra de mediciones es generalizable
a lo que se obtendría si, como en nuestro cándido
ejemplo, se utilizase toda la población. Ese es el
problema esencial, el cogollo de la TG.
El esquema del ejemplo presentado, el diseño,
es uno de los muchísimos que se habrían podido
establecer; se pueden llevar a cabo esquemas complejísimos en los que intervengan numerosos aspectos, no solo evaluadores como en nuestro caso,
combinados de maneras varias. Pero en esencia,
por más vueltas que se dé al diseño, el objetivo
siempre es el mismo, a saber, comprobar en qué
medida las condiciones bajo las que se realizó la
medición generan una medida que representa lo
que se hubiera obtenido si se hubiera trabajado
con las poblaciones.
Para poder estimar los componentes del error,
lo primero que ha de hacerse es diseñar una situación de medición en la que estén contempladas las
posibles fuentes de error, es decir, se parte de un
diseño determinado de recogida de datos, y lo que
la TG hará, valiéndose del análisis de varianza, será
estimar la cuantía de las distintas fuentes de error
contempladas en el diseño de medición. En consecuencia, la tecnología operativa de la TG para estimar la fiabilidad de las mediciones descansa sobre
dos pilares básicos:
a)El análisis de los distintos diseños que se
pueden plantear.
b)Los análisis de varianza implicados en los
diseños.
© Ediciones Pirámide
Fiabilidad
Otros conceptos importantes
— Objeto de la medición
En general, el objeto de la medición son las unidades medidas, sea cual sea su naturaleza, pero en
el ámbito de las ciencias sociales los objetivos más
habituales de la medición son las personas. En el
ejemplo presentado en la tabla 2.4 el objeto de la
medición serían los 10 aspirantes a trabajar. No
obstante, cabe pensar en otros posibles destinatarios de la medición, tales como aulas, colegios, distritos u otros entes que interese evaluar.
— Faceta
Se da esa denominación a los aspectos o factores contemplados en el diseño de la medición. En
nuestro ejemplo solo se consideró una faceta: los
evaluadores. Cuantas más facetas se tienen en cuenta, más se complejiza el diseño; imagínese que en el
ejemplo anterior además de los evaluadores se tuviesen en cuenta otras facetas tales como tipo de
entrevista, sexo de los evaluadores u ocasiones de
evaluación. No hay ninguna regla automática que
le diga al investigador o profesional qué facetas
debe incluir en su diseño. Han de tenerse en cuenta
aquellas que se consideren relevantes para lo que se
está midiendo, es decir, aquellas facetas que puedan
afectar a las puntuaciones de las persoans y constituyan, por tanto, fuentes potenciales de error.
— Universo de observaciones admisibles
Esta expresión hace referencia a todas las puntuaciones de las personas que se consideran admisibles dentro del diseño planteado. En el ejemplo el
universo de observaciones admisibles lo constituirían las puntuaciones de las personas llevadas a
cabo por los evaluadores. En esta situación no sería
admisible lógicamente una puntuación de una persona proveniente de un test. Una vez más este universo está en función del diseño planteado. Si además de los evaluadores hubiéramos tenido en
cuenta distintos tipos de entrevistas, el universo serían las puntuaciones de las personas para cualquier evaluador y tipo de entrevista. En términos
generales no es otra cosa que la población definida
por el investigador al plantear el diseño de medida.
© Ediciones Pirámide
/ 55
Nótese que de los aspectos que no se incluyan en el
diseño no se va a poder estimar su incidencia en la
medida; por tanto, una recomendación genérica es
plantear un diseño lo más general posible, que conlleve un universo de observaciones admisibles amplio. Claro que, operativamente, este noble consejo
resulta un poco huero, pues finalmente será el profesional o el investigador quien tenga que decidir en
cada caso concreto, en función de las circunstancias
concurrentes.
— Universo de generalización
Se refiere a aquel aspecto, factor o faceta en el
que el investigador está interesado en comprobar si
los datos son generalizables. En nuestro ejemplo el
único universo de generalización posible son los
evaluadores. El investigador estaría interesado en
comprobar si las medidas asignadas por una muestra de evaluadores a una muestra de personas son
generalizables a la población de evaluadores. El universo de generalización son los evaluadores. Otros
diseños más complejos permiten establecer otros
universos de generalización de interés, por ejemplo,
ocasiones de evaluación, tipos de entrevistas, etc.
Un mismo diseño inicial va a permitir establecer
más de un universo de generalización.
— Coeficiente de generalizabilidad
Viene a ser el equivalente al coeficiente de fiabilidad en la teoría clásica, e indica el grado en que
una cierta medición es generalizable a la población
de mediciones contempladas, es decir, en qué medida
una muestra de mediciones representa al universo de
generalización. Análogamente a la teoría clásica, sería el cociente entre la varianza universo y la empírica. Nótese que en función del universo de generalizabilidad elegido por el investigador va a poder
existir más de un posible coeficiente G. En el ejemplo
de los evaluadores, el coeficiente de generalizabilidad
indicará en qué medida las calificaciones de una
muestra de evaluadores son generalizables a la población de evaluadores. El coeficiente de generalizabilidad no va a ser la única forma que la TG tenga
de expresar la cuantía de los errores de medida; también se pueden analizar los distintos componentes de
la varianza generados por los ANOVA. Aunque todos los caminos lleven a Roma, en la literatura psi-
56 /
Introducción a la Psicometría
cométrica, seguramente influida por la lógica clásica
del coeficiente de fiabilidad, se utiliza con más frecuencia el coeficiente de generallizabilidad.
8.3. Diseños de recogida de datos
Tras tanta niebla terminológica, no se olvide
que el objetivo central de la TG es estimar la cuantía del error que afecta a las puntuaciones en función de las fuentes de las que provenga. Ahora bien,
para poder estudiar esas fuentes de error hay que
diseñar la recogida de datos (la medición) de tal forma que luego se puedan calcular los errores debidos
a los distintos aspectos (facetas) contemplados. Por
tanto, lo primero que hay que hacer antes de medir
es decidir cómo se va a hacer, y en especial qué
fuentes potenciales de error se van a contemplar. En
nuestro sencillo ejemplo solo se tuvo en cuenta una
faceta: los evaluadores. Si considerásemos que además son relevantes para la evaluación de los aspiran­
tes el sexo de los evaluadores y el tipo de entrevista,
tendríamos que tenerlo en cuenta y, por ejemplo,
plantear un diseño de medida en el que se contemplasen esas dos facetas. Los posibles diseños son
prácticamente ilimitados, están en función de lo que
el investigador considere relevante para la medición
que realiza. Lo que hay que tener claro es que de lo
que no se incluya en el diseño no se podrá estimar
su incidencia en la medición, y entrará a formar
parte de esa caja negra inexcrutable que es el error
aleatorio.
Una vez planteado el diseño, la obtención de
los datos básicos para calcular los coeficientes de
generalizabilidad y otros indicadores, se lleva a
cabo mediante el análisis de varianza.
Más que plantear aquí una retahíla de diseños
y sus correspondientes análisis, se van a ilustrar los
cálculos fundamentales mediante el uso de dos
­diseños clásicos muy habituales en psicología y
educación. Para diseños más complicados puede
acudirse a los textos más exhaustivos citados al
principio. Nótese, por ejemplo, que un libro tan
clásico y recomendable como el de Kirk (1995) presenta 30 diseños distintos de análisis de varianza,
sin pretensiones de exhaustividad. Por tanto, lo más
importante es captar la lógica que subyace a todos
ellos, para, llegado el caso, poder aplicarla al diseño que se tenga.
Diseños de una sola faceta
Se van a ejemplificar los cálculos principales de
la TG utilizando un diseño, a la vez que sencillo,
muy común en psicología y educación, con una sola
faceta. De hecho, vamos a utilizar un ejemplo análogo al empleado para introducir los conceptos básicos, en el que la única faceta son los evaluadores.
La cuestión básica a responder es en qué medida las
calificaciones de los evaluadores son generalizables
a la población de evaluadores, es decir, al universo
de generalización formado por todos los evaluadores posibles. O, desde otro punto de vista equivalente, en qué medida las puntuaciones empíricas de las
personas coinciden con sus puntuaciones universo.
Ejemplo
Sea una muestra aleatoria de 10 personas que
son entrevistadas por una muestra también aleatoria de cuatro evaluadores para acceder a un trabajo.
Las puntuaciones obtenidas por la muestra en una
escala de 0 a 7 puntos aparecen en la tabla 2.5.
El coeficiente G es el cociente entre la varianza
universo y la empírica, de modo que el problema
consiste en hallar esos dos valores. Y es aquí donde
entra en acción toda la maquinaria del análisis de
varianza. Trabajar en el marco de la TG es hacerlo
a base de exprimir los datos obtenidos al analizar
los datos mediante ANOVA, de modo que el mejor
TABLA 2.5
Evaluadores
Personas
—
Xp
E1
E2
E3
E4
a
b
c
d
e
f
g
h
i
j
4
4
3
5
4
0
4
4
2
6
7
4
1
7
3
3
5
5
4
7
4
2
2
5
2
3
3
5
3
5
6
3
4
4
2
4
3
4
4
4
5,25
3,25
2,50
5,25
2,75
2,50
3,75
4,50
3,25
5,50
—
Xi
3,6
4,6
3,4
3,8
3,85
© Ediciones Pirámide
Fiabilidad
/ 57
Iowa, está específicamente diseñado para llevar a
cabo los cálculos de la TG.
Si mediante alguno de los programas informáticos citados u otro cualquiera se analizan los datos
de la tabla 2.5, que en términos de ANOVA corresponden a un diseño de medidas repetidas, puesto
que, efectivamente, las personas son evaluados repetidamente por cuatro evaluadores, se obtiene una
tabla como la 2.6.
consejo para aquellos investigadores o profesionales interesados en la TG es que repasen sus conocimientos del análisis de varianza, porque, a medida
que se complejizan los diseños y se introducen más
facetas, o esquemas de datos anidados, más se complica la ejecución de los cálculos. El paquete informático SPSS proporciona los datos necesarios en la
mayoría de los diseños, y el programa GENOVA de
Brennan y sus colaboradores, de la Universidad de
TABLA 2.6
Fuentes de variación
Suma
de cuadrados
Grados
de libertad
Medias
cuadráticas
Varianza
estimada
%
V
50,60
8,30
34,20
9
3
27
5,622
2,767
1,267
1,089
0,150
1,267
43,46
5,98
50,56
Personas ( p)
Evaluadores (i)
Residual (r)
Veamos cómo se obtienen los datos de la tabla:
Suma de cuadrados total:
(SCT ) =
∑ (X pi – XT )
2
= (4 – 3,85)2 + (7 – 3,85)2 +
Ya tenemos, por tanto, los datos de la primera
columna de la tabla 2.6. La segunda columna son
los grados de libertad, que vienen dados respectivamente por:
Personas
p – 1 = 10 – 1 = 9
+ (4 – 3,85)2 + (6 – 3,85)2 + (4 – 3,85)2 + !
Evaluadores
i–1=4–1=3
+ (5 – 3,85) + (4 – 3,85) = 93,10
Residual
( p – 1)(i – 1) = (10 – 1)(4 – 1) = 27
2
2
Suma de cuadrados correspondiente a las personas:
SC p = ni ∑ (X p – X T ) = 4[(5,25 – 3,85)2 +
2
+ (3,25 – 3,85)2 + ! + (3,25 – 3,85)2 +
+ (5,50 – 3,85)2 ] = 50,60
uma de cuadrados correspondiente a los evaluaS
dores:
SCi = n p L(X i – X T )2 = 10[(3,6 – 3,85)2 +
+ (4,6 – 3,85)2 + (3,4 – 3,85)2 + (3,8 – 3,85)2 ] =
= 8,30
Suma de cuadrados residual:
SCr = SCT – SC p – SCi = 93,10 – 50,60 – 8,30 = 34,20
© Ediciones Pirámide
La tercera columna correspondiente a las medias cuadráticas se obtiene dividiendo las sumas
cuadráticas por los correspondientes grados de libertad:
Personas
Evaluadores
Residual
50,60/9 = 5,622
8,30/3 = 2,767
34,20/27 = 1,267
A través de las esperanzas matemáticas de las medias cuadráticas se obtienen las estimaciones de las
varianzas de los componentes, que vienen dadas por:
E(MCp) = se2 + ni sp2
E(MCi) = se2 + npsi2
E(MCr) = se2
Empezando por el final, puesto que E(MCr) = se2,
tenemos directamente el valor de se2 = 1,267. (Es-
58 /
Introducción a la Psicometría
trictamente no son los valores poblacionales, sino
estimaciones de estos.)
Para calcular la varianza correspondiente a los
evaluadores sustituimos en la segunda ecuación:
2,767 = 1,267 + 10si2
despejando:
σ i2 =
2,767 – 1,267
= 0,15
10
Utilizando la primera ecuación para la varianza
de las personas:
5,622 = 1,267 + 4sp2
despejando:
σ 2p =
5,622 – 1,267
= 1,089
4
σ i2 =
MC p – MCr
ni
=
5,622 – 1,267
4
a)Existe una fuerte interacción ( pxi) entre
personas y evaluadores, es decir, los evaluadores no actúan uniformemente con todas
las personas.
b)O existe mucho error aleatorio de origen
ignoto, no controlado en el diseño.
c)O ambas cosas a la vez, pues la varianza
residual la componen las interacciones
( pxi) y el error aleatorio.
Si se plantease en la práctica un caso semejante,
habría que indagar qué ocurre con la interacción,
dado que los evaluadores per se no introducen mucho error (5,98 %) en la generalización. Veamos
ahora cómo esto mismo queda reflejado de una forma global en el coeficiente G.
8.4. Coeficiente de generalizabilidad
Los cálculos anteriores pueden expresarse de
forma compacta en función de las medias cuadráticas:
σ 2p =
Los datos de la tabla ya indican que la varianza
residual es proporcionalmente muy elevada
(50,56 %), lo cual quiere decir que o bien:
A partir de la tabla 2.6 ya se puede calcular el
coeficiente G, que viene dado por el cociente entre la varianza universo (sp2) y la varianza empírica
(sp2 + se2):
= 1,089
MCi – MCr
2,767 – 1,267
=
= 0,15
np
10
σ e2 = MCr = 1,267
Finalmente, la última columna correspondiente
al porcentaje de varianza se obtiene dividiendo
cada valor de la columna anterior de las varianzas
entre la suma de las tres y multiplicando por 100;
esta columna representa, por tanto, el porcentaje de
varianza correspondiente a cada fuente de variación. Basándose en los datos de esta columna, pueden hacerse todo tipo de interpretaciones acerca de
los errores de medida, pues contiene los datos básicos sobre los que se van a hacer los cálculos posteriores del coeficiente G, como ahora se verá en el
siguiente apartado.
ρ g2 =
σ 2p
+ σ e2
[2.39]
σ 2p
Aplicado a los datos de la tabla 2.6:
ρ g2 =
1,089
= 0,46
1,089 + 1,267
Dado que los valores posibles de rg2 están entre
0 y 1, este valor de 0,46 obtenido indica que las
calificaciones dadas por los evaluadores son escasamente generalizables, es decir, lo que un evaluador
asigna a las personas no es lo que estas obtendrían
si fuesen evaluadas por todos los evaluadores de la
población. Todo parece indicar que los evaluadores
introducen un error notable en las calificaciones de
las personas, por lo que sus puntuaciones están lejos de sus puntuaciones universo, y el error de medida es notable.
© Ediciones Pirámide
/ 59
Fiabilidad
Más específicamente, este grado de generalizabilidad es el que correspondería a las calificaciones
dadas a las personas por un evaluador cualquiera
de la población; estrictamente no se refiere a uno de
los evaluadores concretos utilizados en la muestra.
De hecho, pueden calcularse coeficientes G específicos para cada uno de los evaluadores concretos
utilizados en la muestra. Aunque esto puede tener
interés en alguna situación, lo realmente importante es saber el grado de generalizabilidad que tienen
las evaluaciones hechas por un evaluador cualquiera de la población.
A la vista de la escasa generalizabilidad, cabría
plantearse en qué grado mejoraría esta si en vez de
utilizar las calificaciones de un solo evaluador se
promediasen las de varios. La fórmula para estos
valores del coeficiente G es la siguiente:
σ 2p
ρG2 =
σ2
σ 2p + e
n
Si se promedian 2:
ρG2 =
1.089
= 0,81
1.267
1.089 +
5
A medida que se ponderan las puntuaciones de
más jueces, como es natural, la generalizabilidad de
las puntuaciones aumenta, la medida se hace más
fiable. Cuando n tiende a infinito, el coeficiente G
tiende a uno.
Como probablemente ya habrá advertido el lector, el aumento del coeficiente al ir aumentando el
número de jueces que se promedian viene dado por
la fórmula de Spearman-Brown vista en la teoría
clásica:
ρG2 =
[2.40]
donde n es el número de evaluadores que se promedian.
Ejemplo
Para n = 5:
n ρ g2
1 + (n – 1) ρ g2
[2.41]
donde:
n:Número de jueces o instrumentos promediados.
rg2:Coeficiente de generalizabilidad para un
solo instrumento.
r2G:Coeficiente de generalizabilidad tras promediar los instrumentos.
Por ejemplo, en el caso de n = 3:
1.089
ρG2 =
= 0,63
1.267
1.089 +
2
El coeficiente G sube de 0,46 a 0,63.
Si n = 3:
ρG2 =
1.089
= 0,72
1.267
1.089 +
3
Con n = 4:
ρG2 =
© Ediciones Pirámide
1.089
= 0,77
1.267
1.089 +
4
ρG2 =
3(0,46)
= 0,72
1 + (3 – 1)0,46
que coincide con el valor obtenido mediante la
fórmula [2.40].
álculo del coeficiente de generalizabilidad
C
en función de las medias cuadráticas
Para los cálculos del coeficiente G resulta más
sencillo utilizar los valores de las medias cuadráticas, sin necesidad de calcular las varianzas; la
fórmula viene dada por:
ρ g2 =
MC p – MCr
MC p + (ni – 1)MCr
[2.42]
60 /
Introducción a la Psicometría
8.5. Estudios de generalizabilidad
y estudios de decisión
Para los datos de la tabla 2.6:
ρ g2 =
5.622 – 1.267
= 0,46
5.622 + (4 – 1)1.267
Esta fórmula resulta mucho más directa operativamente, pero no es tan clara para captar conceptualmente el significado del coeficiente G como
la [2.39].
A veces puede ocurrir que al estimar las varianzas
estas tengan signo negativo, lo cual no es teóricamente posible, puesto que las varianzas, al provenir de
datos elevados al cuadrado, han de ser necesariamente positivas. Cuando esto ocurre, la solución pragmática más habitual es igualar a cero la varianza negativa, si bien los especialistas que han analizado este
paradójico asunto han sugerido algunas alternativas
más sofisticadas (Brennan, 1983, 2001; Cronbach et
al., 1972; Shavelson, Webb y Rowley, 1989).
Otros diseños de una faceta
El diseño utilizado para ilustrar los cálculos se
denomina cruzado ( pxi); todos los evaluadores evalúan a todas las personas, los evaluadores están cruzados con las personas. Pero son posibles otros diseños en los que no ocurra esto; por ejemplo, podría
darse el caso de que varios evaluadores juzgasen a
cada persona, siendo distintos los evaluadores para
cada persona. Incluso un caso particular del anterior es que cada persona fuese evaluada por un solo
evaluador, distinto para cada persona. Este tipo de
diseños se denominan «anidados»; en los dos casos
anteriores los evaluadores se hallarían anidados en
las personas (i:p).
El coeficiente de generalizabilidad para estos diseños viene dado por:
ρ g2 =
σ 2p
σ 2 + σ e2
σ 2p + i
n
[2.43]
donde n es el número de evaluadores que se promedia; cuando se trata de uno solo, la fórmula se
transforma en:
ρ g2 =
σ 2p
σ 2p + σ i2 + σ e2
[2.44]
La TG hace una distinción conceptual entre los
así llamados estudios de generalizabilidad (estudios-G) y los estudios de decisión (estudios-D). Los
estudios-G son los planteamientos genéricos del diseño, a través del cual, y valiéndose del ANOVA, se
estiman las varianzas de los distintos componentes.
Son, por así decirlo, el marco general en el que están desplegados todos los datos que posteriormente se utilizarán por el investigador para resolver un
problema concreto. A estos problemas concretos,
sean los que sean, que utilizan los datos de los estudios-G se les denomina estudios-D. Un estudio-G
puede servir de marco básico para distintos estudios-D. Por ejemplo, los datos de la tabla constituyen
un estudio-G, mientras que la decisión de calcular
el coeficiente de generalizabilidad (rg2) para tres evaluadores, o para cinco, o los que sean, serían estudios-D.
Cuanto más amplio sea el estudio-G, más posibilidades abrirá de plantear distintos estudios-D.
Debido a esta posibilidad de plantear diversos estudios-D, la TG se vuelve compleja, pues en cada
caso serán distintos los datos del estudio-G a utilizar, y lo que en cada caso se considere varianza universo y varianza error variará.
Facetas fijas y aleatorias
Otro factor que introduce complejidad en los
cálculos de la TG es que las facetas utilizadas sean
fijas o aleatorias. Se considera que una faceta es fija
cuando los valores considerados agotan la población, mientras que en el caso de las aleatorias se
asume que los niveles de la faceta constituyen una
muestra aleatoria. Según se trate de uno u otro
caso, los componentes para los cálculos serán distintos.
Lo más habitual es que las facetas se consideren
aleatorias, pues se ajusta más a la mayoría de los
problemas con los que se enfrentan los investigadores y profesionales, al menos en el campo de las
ciencias sociales.
En el ejemplo de la tabla 2.5 la faceta «evaluadores» se asumió aleatoria: los cuatro evaluadores
utilizados se consideran una muestra aleatoria de la
población de evaluadores; por tanto, las fórmulas
© Ediciones Pirámide
Fiabilidad
propuestas para los cálculos realizados son las pertinentes para el caso de facetas aleatorias. Una
gama variada de posibilidades con sus correspondientes formulaciones puede consultarse en Brennan (1983, 2001), Crocker y Algina (1986) o en Shavelson y Webb (1991).
8.6. Error típico de medida
En la teoría clásica, una forma de expresar los
errores de medida, además del coeficiente de fiabilidad, era el error típico de medida, utilizado sobre
todo para establecer intervalos de confianza en torno a las puntaciones empíricas para así estimar las
verdaderas. Con la TG ocurre lo mismo, y el error
típico de medida para el caso de un diseño cruzado
( pxi) viene dado por:
σ e( g ) =
σ i2 + σ e2
[2.45]
Si se promedian los evaluadores, la varianza
error se divide entre n, el número de evaluadores
promediados, y el error típico de medida viene dado
entonces por:
σ e( g ) =
σ i2 + σ e2
n
[2.46]
Obsérvese la coherencia de esta estimación con
la obtenida mediante el coeficiente G. El intervalo
confidencial resulta muy amplio; no se puede estimar la puntuación de la persona con precisión, hay
mucho error en la medida. Recuérdese que el coeficiente G era bajo (0,46).
Si la calificación de la persona anterior que obtuvo 6 puntos proviniese de haber promediado las
calificaciones de tres jueces, tendría que ser más fiable, y el intervalo confidencial debería ser más estrecho. Veámoslo:
1. NC 95 %: Zc = ±1,96.
2. σ e( g ) =
σ i2 + σ e2
=
n
0,150 + 1,267
= 0,687.
3
3.Error máximo: (Zc)(se(g)) = 1,96 × 0,687 =
= 1,346.
4.Intervalo confidencial: Xpi ± E. máximo =
= 6 ± 1,346.
4,654 ⩽ mp ⩽ 7,346
Efectivamente, la amplitud del intervalo es ahora notablemente inferior. Teóricamente llegaría a
ser nula si no hubiese errores de medida.
Estos errores típicos de medida se aplican también en el caso de los diseños anidados.
Decisiones absolutas y decisiones relativas
Ejemplo
Un evaluador (tabla 2.4) asignó a una persona
una puntuación de 6. Al nivel de confianza del
95 %, ¿qué puntuación universo se estima que obtendrá dicha persona?
Análogamente a como se procedía en la teoría
clásica:
1. NC 95 %: Zc = ±1,96.
2. σ e( g ) = σ i2 + σ e2 = 0,150 + 1,267 = 1,190.
3. Error máximo: (Zc)(se(g)) = 1,96 × 1,190 =
= 2,332.
4.Intervalo confidencial: Xpi ± E. máximo =
= 6 ± 2,332.
3,668 ⩽ mp ⩽ 8,332
© Ediciones Pirámide
/ 61
Hay que advertir de nuevo que las fórmulas del
error típico de medida varían en función del tipo de
estudios planteados; por tanto, las aquí presentadas
no son válidas para otros tipos de diseños. Además,
las fórmulas [2.43] y [2.44] son pertinentes para en
lo que la TG se denominan decisiones absolutas,
pero no lo son para decisiones relativas.
Se entiende por decisiones absolutas aquellas
que se toman sobre las puntuaciones de las personas sin tener en cuenta al resto de las personas, por
ejemplo, establecer un intervalo confidencial en torno a su puntuación empírica para estimar a un cierto nivel de confianza su puntuación universo, como
se ha hecho en el ejemplo anterior.
Decisiones relativas serían aquellas en las que se
tiene en cuenta la posición relativa de las personas,
62 /
Introducción a la Psicometría
—La faceta evaluadores, con tres niveles correspondientes a cada uno de los evaluadores.
—La faceta modalidad, con dos niveles: oral,
escrito.
como cuando se comparan unas personas con otras
y se estudian las diferencias entre sus puntuaciones,
o se toman decisiones basadas en la posición relativa de las personas en el grupo.
Este tipo de esquemas de evaluación se da con
cierta frecuencia en muchos campos de las ciencias
sociales y de la salud, y la cuestión básica que se
plantea aquí es si las puntuaciones de las personas
son generalizables o, por el contrario, están muy
mediatizadas por la modalidad evaluativa y/o evaluador.
Supongamos que se evalúa a 10 personas con el
diseño anterior, obteniéndose tras el correspondiente análisis de varianza los datos de la tabla 2.7.
8.7. Diseños de dos facetas
Se habla de un diseño de dos facetas cuando
son dos los aspectos o facetas tenidos en cuenta en
el esquema con el que se realiza la medición. Por
ejemplo, una muestra de 10 personas son evaluadas
por tres jueces, tanto por escrito como oralmente.
En este diseño se contemplan dos facetas:
TABLA 2.7
Fuentes de variación
Suma
de cuadrados
Grados
de libertad
Medias
cuadráticas
Varianza
estimada
%
V
70,54
10,70
9,82
62,50
23,85
4,80
18,90
9
2
1
9
18
2
18
7,84
5,35
9,82
3,47
2,65
2,40
1,05
0,462
0,026
0,194
1,210
0,533
0,135
1,050
12,8
0,7
5,4
33,5
14,7
3,7
29,1
Personas ( p)
Evaluador (i)
Modalidad (m)
PersxEva. ( pi)
PersxOca. ( pm)
EvaxOca. (im)
Resid. ( pim + e)
Nota: Para los cálculos de las varianzas estimadas, véase apéndice (2.40).
Coeficiente de generalizabilidad
Sustituyendo en la fórmula los valores de la tabla 2.7:
La fórmula del coeficiente G, como en el caso
de una faceta, viene dada por el cociente entre la
varianza universo y la varianza observada:
ρ g2 =
σ 2p
σ e2
σ2
σ2
σ 2p + pi + pm +
ni
nm
ni nm
[2.47]
donde:
ni:Es el número de evaluadores que se consideren en el estudio D.
nm:Es el número de modalidades del estudio D
que se plantee.
ρ g2 =
0,462
= 0,35
1,210 0,533 1,050
0,462 +
+
+
3
2
(3)(2)
Dado que la generalizabilidad resulta tan baja,
el investigador puede considerar, por ejemplo, la
posibilidad de utilizar más evaluadores, por ejemplo, seis en vez de tres. En ese caso, con ni = 6, el
coeficiente sería:
ρ g2 =
0,462
= 0,45
1,210 0,533 1,050
0,462 +
+
+
6
2
(6)(2)
© Ediciones Pirámide
Fiabilidad
La mejora no es notoria, pasa de 0,35 a 0,45
cuando se duplican los evaluadores, por lo que el
problema de la escasa generalizabilidad no parece
provenir de los evaluadores. Aquí es cuando resulta muy aclaratorio acudir a las columnas de varianza estimada y ver cuáles son las fuentes que
contribuyen más al error o, lo que es lo mismo, a
esta escasa generalizabilidad. Efectivamente, las
fuentes que más error aportan son la interacción
personas × evaluadores ( pi), con un 33,5 %; la interacción personas × modalidad ( pm), un 14,7 %,
y el residual que proviene de las interacciones personas × evaluador × modalidad, más el error aleatorio. La primera interacción ( pi) indicaría que por
alguna razón, que habrá que averiguar, los evaluadores no actúan igual con todas las personas. Análogamente, la interacción ( pm) pone de manifiesto
que las modalidades oral/escrito afectan diferencialmente a las personas, interactúan con ellas.
Algo similar ocurre con las interacciones ( pim): resultan demasiado elevadas. Nótese que todos estos
términos están en el denominador del coeficiente G,
forman parte de la varianza observada, de modo
que cuanto mayores sean, menor será el coeficiente
G. Esta partición de la varianza aplicada a la fiabilidad es la aportación central de la TG, que permite diseccionar e indagar el porqué de un coeficiente
de fiabilidad bajo.
Conviene recordar que con esas dos mismas
facetas cabe plantear otros muchos posibles diseños;
aquí se ha utilizado lo que se suele denominar diseño cruzado (p × i × m), pues todas las personas son
evaluadas en las dos modalidades por todos los evaluadores. Cuando no se produce este cruce, se habla
de diseños anidados. Siguiendo con el mismo ejemplo, piénsese que por razones de economía los evaluadores se repartiesen y un grupo evaluase las pruebas orales y otro las escritas, en vez de que todos los
evaluadores evaluasen todo, como ocurría en el diseño del ejemplo. En este caso se habla de un diseño
anidado, los evaluadores se encontrarían anidados
en la modalidad. Pues bien, si se utilizase este diseño, los datos para calcular el coeficiente G variarían,
pues las varianzas universo y observada están en
función del diseño que se plantee. Los textos más
avanzados sobre TG suelen proporcionar los componentes para toda una gama de diseños (Brennan,
1983, 2001; Crocker y Algina, 1986; Shavelson y
Webb, 1991), tanto de dos facetas como de más.
© Ediciones Pirámide
/ 63
9. FIABILIDAD DE LOS TEST REFERIDOS
AL CRITERIO
9.1. Definición
El objetivo central de los test tratados hasta
ahora en este libro era ordenar o escalar a las personas según su puntuación en un determinado rasgo
o variable psicológica, bien fuese de carácter cognoscitivo, como las aptitudes, de personalidad (extraversión, neuroticismo, etc.), actitudes o de cualquier otro tipo. Estos test se construyen con ese
objetivo en mente y, por tanto, se intenta que discriminen al máximo entre las personas para así poder
escalarlas con mayor precisión o fiabilidad. La puntuación de una persona se expresa a partir de ciertas
normas establecidas en función de las puntuaciones
del grupo. Por ejemplo, se dice que Palomino Molero ocupa el percentil 80, es decir, puntúa por encima
del 80 % de sus compañeros. La puntuación de una
persona será alta o baja en función de su posición
relativa en el grupo, posición que se puede expresar
de diversos modos, como se verá en el apartado 9.5.
Estos test suelen denominarse genéricamente test
referidos a normas, o normativos, y son los más habituales en el ámbito de la psicología.
Pero a partir de los años cincuenta y sesenta,
con el predominio del enfoque conductual en psicología y el aumento de los métodos de enseñanza programada y de las máquinas de enseñar, aparece la
necesidad de construir test que evalúen directamente el conocimiento que tienen los estudiantes de los
objetivos programados. Más que una variable psicológica o rasgo, estos test van dirigidos a evaluar un
dominio o criterio concreto de interés; de ahí su denominación de test referidos al criterio (TRC). En
ellos no se pone el énfasis en analizar las diferencias
entre las personas, sino más bien se trata de ver en
qué medida cada persona domina el criterio de interés previamente definido. No se trata de ubicar la
posición relativa de la persona, sino de detectar en
qué grado conoce los objetivos. Una forma habitual
de expresarlo es mediante el porcentaje de cuestiones respondidas correctamente. Así, se dirá, por
ejemplo, que Agapito Hito domina el 90 % del criterio. Naturalmente, estos test referidos al criterio
también terminan ordenando a las personas, según
el dominio que estas tengan del criterio evaluado,
pues unas dominarán un porcentaje mayor que
64 /
Introducción a la Psicometría
otras; pero ese no es el objetivo prioritario que guía
su construcción, como lo hacía en el caso de los test
normativos. En los TRC la discriminación máxima
entre las personas no es una propiedad específicamente buscada. Hay que señalar que los TRC no
solo encajan a la perfección en el ámbito de la evaluación educativa, en general su enfoque es apropiado para evaluar cualquier área de conocimiento.
El concepto y la propia denominación de los
TRC tienen su origen en un magistral artículo de
tres páginas publicado por Robert Glaser en 1963
en la revista American Psychologist. Actualmente la
literatura sobre los TRC es abundantísima. Una excelente panorámica de su desarrollo en los últimos
cuarenta años puede consultarse en Hambleton et
al. (2016), y buenas exposiciones pueden consultarse en Berk (1984a), Hambleton (1980), Hambleton
et al. (1978), Popham (1978) o Shrock y Coscarelli
(2007), entre otros. Por su parte, Nitko (1984) lleva
a cabo un análisis minucioso de la definición y concepto de los TRC.
Pensarán muchos lectores que en realidad esto
de los TRC no es nada novedoso, que siempre ha
habido exámenes y test cuya finalidad era evaluar
un dominio concreto de conocimientos o habilidades, y que ello se venía haciendo habitualmente en
psicología educativa y del trabajo. Es cierto; lo que
ocurre es que con el énfasis y sistematización surgidos a partir de los trabajos pioneros (Glaser, 1963;
Glaser y Klaus, 1962; Popham y Husek, 1969) se va
a desarrollar todo un refinamiento técnico y psicométrico para la elaboración y análisis de este tipo
de test, ya que la metodología clásica al uso no se
ajustaba bien a los nuevos planteamientos. De este
modo, los test referidos al criterio han propiciado
el desarrollo de ciertos ámbitos de la medición psicológica y educativa implicados en su desarrollo y
aplicación. Hambleton (1994a) cita seis campos
principales impulsados por los TRC.
1.Un primer efecto muy positivo ha sido el de
obligar a profesores y constructores de test
a definir con mayor claridad y operatividad
los objetivos o criterios de interés, en la línea de la evaluación conductual, para así
poder construir los test correspondientes
para su evaluación.
2.Obligan a muestrear exhaustivamente los
objetivos a evaluar y exigen sumo cuidado
a la hora de confeccionar los ítems. No en
vano, a raíz del impulso de los TRC florece
toda una tecnología para la escritura de los
ítems (Roid, 1984; Roid y Haladyna, 1980,
1982), apareciendo además un variado abanico de formatos alternativos al omnipresente de elección múltiple.
3.Se potenciaron nuevas formas para evaluar
la fiabilidad y validez de los test, como se
verá en el siguiente apartado, pues las utilizadas para los test referidos a normas no
siempre resultaban las más apropiadas.
4.Dado que con gran frecuencia el uso de los
TRC exigía dividir a las personas en dos
grupos, las que dominaban el criterio y las
que no, se desarrolló toda una tecnología
psicométrica para establecer de un modo
adecuado los puntos de corte para determinar quién pasa y quién falla.
5.Los TRC, al centrarse operativamente en
los objetivos específicos, han sido altamente
beneficiosos para el diagnóstico de las deficiencias de aprendizaje. Permiten detectar
los puntos fuertes y débiles de las personas
y ayudar a los profesores a tomar decisiones
sobre la enseñanza. Además, fomentan que
los profesores hagan más hincapié en el dominio que los estudiantes tienen de la materia que en el mero análisis de las diferencias
entre ellos.
6.Finalmente, ha hecho que los profesores adquieran conocimientos en el campo de la evaluación de los estudiantes. Esto es de suma
importancia, pues con demasiada frecuencia
algo tan relevante como la evaluación adecuada y rigurosa de los estudiantes se deja al
sentido común de los profesores, poniendo en
peligro la obligada equidad evaluativa. Por
otras latitudes no se tiene tanta confianza en
la ciencia infusa de los profesores en materia
de medición educativa; por ejemplo, los dos
grandes sindicatos de profesores americanos
han publicado unos estándares técnicos
(American Federation of Teachers, NCME y
NEA, 1990) sobre la competencia de los profesores para evaluar a los alumnos, en los que
los TRC desempeñan un papel central. Esperemos que en otros países cunda el ejemplo,
pues antes que nada está el derecho del estu© Ediciones Pirámide
Fiabilidad
diante a una evaluación justa, condición sine
qua non para una enseñanza rigurosa y de
calidad. Parafraseando al gran físico y matemático Lord Kelvin, mal podemos mejorar la
enseñanza si no empezamos por evaluarla
con rigor, pues lo que no se mide no se puede
mejorar.
En este apartado se exponen algunas de las técnicas para el cálculo de la fiabilidad de los test referidos al criterio, pues, como se irá viendo, los coeficientes de fiabilidad vistos hasta ahora no siempre
son los más adecuados para utilizar con los TRC.
9.2. Métodos de estimación
de la fiabilidad
El problema de la fiabilidad de los test referidos
al criterio en esencia es el mismo que el de los test
clásicos referidos a las normas. En ambos casos se
trata de estimar el grado de error incrustado en las
mediciones. Puesto que los dominios o criterios de
interés a evaluar con los TRC suelen ser amplios, el
test utilizado para hacerlo es una de las posibles
muestras de ítems. Si el test fuese completamente fiable, el porcentaje de ítems contestado correctamente
por cada persona coincidiría con el porcentaje que
estas obtendrían si se utilizase el dominio completo.
En líneas generales, la fiabilidad trata de estimar en
qué medida ambos porcentajes coinciden. Naturalmente, el porcentaje de aciertos en el dominio no se
puede obtener empíricamente, por lo que para estimar la fiabilidad habrá que recurrir a procedimientos indirectos, como ocurría en la teoría clásica.
Los métodos clásicos vistos hasta ahora, tales
como test-retest, formas paralelas o consistencia interna (coeficiente alfa), pueden utilizarse como una
primera aproximación al cálculo de la fiabilidad de
los TRC, pero en este apartado se van a proponer
otros acercamientos más específicos. Se preguntará el
lector por qué esos métodos clásicos no son del todo
satisfactorios para estimar la fiabilidad de los TRC,
que al fin y al cabo no son otra cosa que test clásicos
destinados a evaluar un dominio específico de contenidos, sean estos de la naturaleza que sean. La razón
fundamental es que en la práctica la mayoría de los
TRC tienen como finalidad clasificar a las personas
en dos categorías, las que dominan el criterio y las
© Ediciones Pirámide
/ 65
que no lo dominan, aunque nada impide hacer más
categorías. De este modo, la fiabilidad toma los derroteros de evaluar la consistencia o precisión de estas clasificaciones, adoptando métodos relacionados
con la toma de decisiones. Desde un punto de vista
más teórico, los métodos clásicos de fiabilidad resultan óptimos cuando el test se ha construido pensando en que debe maximizar la discriminación entre las
personas, que no es el caso de los TRC. Además, el
concepto de test paralelos, piedra angular de la fiabilidad clásica, no representa un papel central en los
TRC, que más bien constituyen en teoría muestras
aleatorias de los contenidos del dominio. Por esa vía
indirecta, si realmente fuesen muestras aleatorias, deberían ser paralelos en el sentido clásico. De hecho,
como luego se verá, algunos de los métodos expuestos asumen el paralelismo clásico.
Las técnicas para evaluar la fiabilidad pueden
clasificarse de distintas maneras, según se atienda a
un criterio u otro. Por razones de claridad, aquí se
han clasificado en dos grandes bloques: aquellas
que exigen dos aplicaciones del test, bien sea del
mismo test o de formas paralelas, y las que solo
exigen una aplicación. Dentro de este segundo
apartado, a su vez, se hacen tres subgrupos en función de cómo se utilice el punto de corte para las
clasificaciones. Un tratamiento detallado de la fiabilidad de los TRC puede consultarse en el libro de
Berk (1984a), especialmente los capítulos del propio
Berk, Subkoviak y Brennan. Muy interesantes resultan el análisis de Hambleton y Slater (1997), y, a
un nivel más introductorio, el libro de Crocker y
Algina (1986). Una síntesis de la problemática y enfoques de la fiabilidad de los TRC puede verse en
Han y Rudner (2016).
Formas paralelas
Se recogen aquí los coeficientes de fiabilidad
cuando se dispone de dos aplicaciones del mismo
test a una muestra de personas, o de la aplicación de
dos formas paralelas del test. En esas circunstancias,
si se establece un punto de corte y en cada test se
clasifica a las personas en dos grupos, las que superan el punto de corte y las que no lo superan, si
existiese una fiabilidad perfecta la clasificación resultante debería ser idéntica para ambos test. Pues bien,
los coeficientes de fiabilidad que se van a ver en este
apartado tratan de estimar en qué medida las clasi-
66 /
Introducción a la Psicometría
ficaciones hechas con un test coinciden con las hechas por otro, o por el mismo aplicado en dos ocasiones. Aunque la filosofía básica es la misma que la
vista en la aproximación clásica, debido al uso habitual de los TRC para llevar a cabo clasificaciones, la
forma operativa de calcular la fiabilidad varía, tratándose más bien de índices de acuerdo entre las clasificaciones. En la literatura psicométrica es muy habitual denominar masters a las personas que superan
el punto de corte y no masters a las que no lo superan. Bien es verdad que a veces las clasificaciones no
solo tienen dos categorías; por ejemplo, se puede
clasificar a las personas según su rendimiento en bajos, medios, altos, etc. Los coeficientes pueden utilizarse con cualquier número de categorías.
Veamos un ejemplo sobre el que se ilustrarán
los coeficientes. Sea una muestra de veinte personas
a las que se aplicaron dos formas paralelas de un
test de vocabulario de diez ítems. Se considera que
para superar la prueba hay que sacar una puntuación igual o superior a 7. Las puntuaciones de las
personas en ambas formas del test aparecen en la
tabla 2.8.
Teniendo en cuenta que para superar la prueba
hay que obtener 7 puntos o más, compruebe el lecTABLA 2.8
Persona
Forma A
Forma B
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
4
7
5
6
8
6
5
3
9
3
7
5
4
10
3
3
8
8
2
0
7
8
4
6
9
4
7
2
4
2
10
3
4
9
2
4
7
7
3
1
tor que las 20 personas de la tabla 2.8 quedan clasificadas según superen o no superen las pruebas de
acuerdo con la tabla 2.9. Una primera aproximación
elemental a la fiabilidad sería ver si los porcentajes
de personas que superan la prueba son los mismos
en ambas formas del test. En nuestro caso, con la
forma A superan el criterio siete de las 20 personas
(35 %), y con la forma B, ocho de las 20 (40 %). La
fiabilidad sería perfecta cuando los porcentajes fuesen los mismos. Este razonamiento, cuya introducción en el ámbito de los TRC suele atribuirse a Carver (1970), tiene un claro inconveniente que lo hace
desaconsejable. Los porcentajes podrían coincidir,
pero no ser las mismas personas las que superasen
ambas pruebas, en cuyo caso el indicador conduce
a un claro error, dando una falsa idea de fiabilidad
donde no la hay. Ello se debe a que este indicador
no tiene en cuenta la consistencia de las clasificaciones individuales. Los índices que se verán a continuación sí tienen en cuenta esta consistencia.
Coeficiente po
Este coeficiente fue propuesto por Hambleton y
Novick (1973), y posteriormente complementado
por Swaminathan, Hambleton y Algina (1974). La
idea es sencilla: trata de reflejar en qué medida las
clasificaciones hechas a partir de ambos test coinciden. Si se observa la tabla 2.9, se ve que, salvo tres
personas, las otras 17 son clasificadas del mismo
modo por los dos test. Parece, por tanto, que la
fiabilidad de la clasificación es elevada. El coeficiente po permite expresar esta fiabilidad por medio
de la proporción de coincidencias observadas. Su
fórmula viene dada por:
po =
Fc
N
[2.48]
TABLA 2.9
Forma A
Forma B
Superan
No superan
Total
Superan
No superan
6
2
1
11
7
13
Total
8
12
20
© Ediciones Pirámide
Fiabilidad
donde:
Fc:Es el número de personas (frecuencia) en las
que ambos test coinciden en la clasificación.
N:Es el número total de personas.
lización en el contexto de la fiabilidad de los TRC
fueron Swaminathan, Hambleton y Algina (1974).
Su fórmula viene dada por:
K =
Para los datos de la tabla 2.9:
po =
6 + 11
= 0,85
20
El valor máximo del coeficiente po es 1, que
ocurriría cuando las clasificaciones hechas con las
dos formas del test fuesen exactamente las mismas,
es decir, cuando todas las frecuencias estuviesen en
las casillas de la diagonal principal. El valor mínimo es el que cabe esperar por mero azar, y viene
dado en función de las frecuencias marginales de la
tabla. Para los datos de la tabla 2.9, las coincidencias por mero azar ( pa) se calcularían del siguiente
modo:
Fc – Fa
N – Fa
Fc:Frecuencia de coincidencia, o número de casos en los que las clasificaciones de ambos
test coinciden.
Fa:Frecuencia de azar, o número de casos en
que cabe esperar por mero azar que las clasificaciones de ambos test coincidan.
N:Número total de personas de la muestra.
Aplicación a los datos de la tabla 2.9.
En primer lugar, se calcula el valor de las frecuencias esperadas por azar:
Casilla 1-1:
8×7
= 2,8
20
13 × 12
= 7,8
Casilla 2-2:
20
Casilla 2-2:
12 × 13
= 7,8
20
Como se puede observar, el uso de los test mejora considerablemente las clasificaciones que cabría esperar por mero azar, pasando de 0,53 a 0,85.
Para una interpretación adecuada, siempre hay que
tener en cuenta lo que cabe esperar por mero azar.
Precisamente, el coeficiente kappa que vamos a ver
a continuación contempla en su formulación los
aciertos por azar.
Aunque se han utilizado solo dos categorías, superar y no superar, el coeficiente po puede calcularse
análogamente para cualquier número de categorías.
Coeficiente kappa
Propuesto por Cohen en 1960, es uno de los
coeficientes más populares y reseñados en la literatura psicométrica. Los primeros en aconsejar su uti© Ediciones Pirámide
[2.49]
donde:
7×8
Casilla 1-1:
= 2,8
20
2,8 + 7,8
= 0,53
pa =
20
/ 67
Fa = 2,8 + 7,8 = 10,6
Las frecuencias de coincidencia vienen dadas
por:
Fc = 6 + 11 = 17
Aplicando la fórmula:
K =
17 – 10,6
= 0,68
20 – 10,6
El valor máximo del coeficiente kappa es 1,
cuando la fiabilidad es perfecta; pero el mínimo depende de las frecuencias marginales de la tabla. En
el contexto de la fiabilidad los valores negativos no
tienen sentido, los cercanos a cero indicarían que las
clasificaciones hechas por los test no mejoran el azar.
Brennan y Prediger (1981) hacen un buen análisis de
las posibilidades y límites del coeficiente kappa.
68 /
Introducción a la Psicometría
La fórmula del coeficiente kappa puede expresarse en función de las proporciones en vez de las
frecuencias:
K =
Pc – Pa
1 – Pa
[2.50]
Ni que decir tiene que el resultado obtenido con
ambas fórmulas es el mismo, como puede comprobar el lector aplicando esta fórmula a los datos de
la tabla 2.9. El valor del coeficiente kappa es muy
similar al coeficiente de correlación de Pearson para
datos dicotómicos, es decir, al coeficiente F.
Como ya se ha señalado, los dos coeficientes ( po
y K ) pueden aplicarse cuando los test referidos al
criterio se utilizan para clasificar a las personas en
más de dos categorías. Como ejercicio, suponga el
lector que en la tabla 2.8, en vez de dos categorías,
se han hecho tres: baja (puntuaciones 0-3), media
(puntaciones 4-7) y alta (puntuaciones 8-10). Elabore la tabla correspondiente y calcule los coeficientes po y K.
Significación estadística del coeficiente kappa
La significación estadística del coeficiente kappa
puede someterse a prueba utilizando el error típico
de medida propuesto por el propio Cohen (1960):
σe =
Fa
N (N – Fa )
Hagámoslo para los datos del ejemplo anterior
al nivel de confianza del 95 %.
La hipótesis nula y la alternativa serán:
H0: K = 0
H1: K ≠ 0
Error típico de medida:
Se =
10,6
= 0,24
20(20 – 10,6)
Intervalo confidencial:
0,68 ± (1,96)(0,24)
(0,21 ⩽ K ⩽ 1,00)
Dado que el valor K = 0 no está dentro del intervalo confidencial, se rechaza la hipótesis nula, y
el coeficiente resulta estadísticamente significativo.
Ciertamente, el cálculo de la significación estadística de K en la investigación aplicada puede parecer algo trivial, pues generalmente cabe esperar
que la fiabilidad sea considerable. Como señala Cohen (1960), tal vez pueda ser más útil de cara a establecer los mínimos exigibles en determinadas situaciones.
Fleiss, Cohen y Everitt (1969) proponen otra
fórmula para el error típico de medida técnicamente más adecuada, pero mucho más compleja. Sin
embargo, las diferencias empíricas entre ambas son
mínimas. Además, dado que s e, según Cohen
(1960), suele ser algo mayor que Fleiss et al. (1969),
la prueba es más conservadora, lo cual nunca viene
mal cuando de análisis de datos se trata. Hanley
(1987) propuso una simplificación atinada para la
formulación de Fleiss et al. (1969).
Finalmente, señalar que el coeficiente kappa fue
extendido (Cohen, 1968) para situaciones en las que
todos los desacuerdos no se consideran igual de importantes, dándose distintas ponderaciones a algunos de ellos según cierto criterio, y calculándose en
estos casos el coeficiente kappa ponderado.
Una sola aplicación del test
En la mayoría de las situaciones aplicadas los
profesionales no tienen la posibilidad de utilizar
dos formas paralelas del test, ni van a poder aplicar el mismo test dos veces, de modo que tendrán
que arreglarse con una sola aplicación. En ese caso
los coeficientes de fiabilidad del apartado anterior
no se pueden utilizar tal como se expusieron allí,
pues exigían disponer de las puntuaciones en dos
aplicaciones. En este apartado se exponen cinco
métodos que solo exigen aplicar el test una vez, si
bien son muy distintos entre sí, como se irá viendo.
El primero (Subkoviak, 1976) y el segundo (Huynh,
1976) permiten estimar los coeficientes po y kappa,
vistos en el apartado anterior. El tercero (Livingston, 1972) y el cuarto (Brennan y Kane, 1977) tienen en cuenta las distancias de las puntuaciones de
las personas al punto de corte establecido para clasificarlos, y el quinto se basa en la teoría de la generalizabilidad.
© Ediciones Pirámide
Fiabilidad
donde:
Método de Subkoviak
El método propuesto por Subkoviak (1976) permite estimar el valor de los coeficientes po y kappa
cuando solo se dispone de una aplicación del test.
Basándose en determinadas asunciones, el método
de Subkoviak simula las puntuaciones de una segunda forma paralela del test, de la cual se carece en la
práctica. Procedimientos similares al de Subkoviak
fueron propuestos por Huynh (1976) y Marshall y
Haertel (1976). Una buena exposición y un análisis
comparativo de los tres pueden consultarse en
Subkoviak (1984).
Nótese que en realidad no se está proponiendo
un nuevo coeficiente de fiabilidad, sino un método
para calcular los ya conocidos coeficientes po y kap­
pa en el caso de que solo se disponga de una aplicación del test.
El cálculo se va a ilustrar utilizando los datos
de la tabla 2.8 en el supuesto de que solo se dispusiera de los datos correspondientes a la forma A.
Seguiremos los pasos indicados por el propio
Subkoviak (1984).
Para proceder al cálculo de po y kappa se necesitan los datos de la tabla 2.10. A continuación se
exponen los pasos para confeccionar la tabla.
1.La primera columna de la tabla 2.10 son
las puntuaciones directas (X ) obtenidas
por las 20 personas en la forma A del test
(tabla 2.8).
2.La segunda columna son las frecuencias de
cada una de las puntuaciones (Fx).
3.La tercera columna ( px) es una estimación
de la proporción de ítems que cabe esperar
que responda correctamente una persona
que tiene una puntuación determinada X,
o, lo que es lo mismo, es su probabilidad de
acertar un ítem. Estos valores pueden obtenerse por medio de la fórmula 2.51, aunque
otras estimaciones son posibles (Hambleton
et al., 1978; Wilcox, 1979). Como señala
Subkoviak, cuando el test tiene más de 40
ítems una buena aproximación ya viene
dada simplemente por X/n.
px = α
© Ediciones Pirámide
/ 69
1 2
X
X
+ (1 – α )
n
n
[2.51]
a:
X:
n:
—
X:
Coeficiente alfa.
Puntuación directa.
Número de ítems del test.
Media del test.
Veamos su aplicación para los datos de la
tabla, teniendo en cuenta que el coeficiente
alfa es 0,75 y la media del test 5,3.
p10 = 0,75(10/10) + (1 – 0,75)(5,3/10) = 0,8825
p9 = 0,75(9/10) + (1 – 0,75)(5,3/10) = 0,8075
p8 = 0,75(8/10) + (1 – 0,75)(5,3/10) = 0,7325
…………………………………
El resto de los valores de la columna se
obtienen análogamente.
4.La cuarta columna (Px) de la tabla 2.10 está
formada por los valores obtenidos mediante
la distribución binomial. Se procede del siguiente modo. Empezando por la parte superior de la tabla: la probabilidad de que
una persona con una puntuación de 10
(X = 10), y una probabilidad de acertar cada
ítem de 0,88 ( px = 0,88), supere siete ítems o
más (recuérdese que 7 era el punto de corte
establecido) viene dada según las tablas de
la distribución binomial por Px = 0,976.
En el caso siguiente, X = 9 y px = 0,81,
Px = 0,896. Análogamente se obtienen el
resto de los valores de la cuarta columna.
En suma, se trata simplemente de buscar los
valores correspondientes en las tablas de la
distribución binomial, teniendo en cuenta el
número de ítems (n), el punto de corte establecido (en nuestro ejemplo 7) y la probabilidad de acertar los ítems ( px).
5.En la columna quinta se reflejan los valores
obtenidos mediante la siguiente expresión:
Px2 + (1 – Px)2
[2.52]
Estos valores reflejan la consistencia de la
clasificación de cada persona como master
o no master, es decir, superar/no superar el
punto de corte. La probabilidad de que una
70 /
Introducción a la Psicometría
persona supere el punto de corte en ambas
pruebas vendrá dada por Px2 y la probabilidad de que falle en ambas será (1 – Px)2. De
modo que la probabilidad de una clasificación consistente fallar-fallar o superar-superar será la suma, que es la expresión 2.52.
Veamos la aplicación de esta expresión para
los dos primeros casos de la tabla 2.10:
(0,976)2 + (1 – 0,976)2 = 0,953
A partir de los datos de la tabla 2.10 ya se pueden calcular los coeficientes po y kappa.
Coeficiente po :
15,232
= 0,76
20
Para aplicar la fórmula del coeficiente kappa
hay que obtener previamente la proporción de coincidencias por azar:
(0,896) + (1 – 0,896) = 0,814
2
plicando los valores de la columna segunda
por los de la cuarta (Fx, Px).
2
Análogamente se obtienen el resto de los
valores de la columna.
6.En la sexta columna se estima el número de
personas con determinada puntuación que
son clasificadas de forma consistente. Los
valores de la columna se obtienen multiplicando los de la quinta columna por la frecuencia (Fx). Por ejemplo:
Pa =
1
(1)(0,814) = 0,814
2 + 11 –
2
6,655
20
2 = 0,56
2
Aplicando la fórmula del coeficiente kappa para
proporciones (2.54),
K =
(1)(0,953) = 0,953
6,655
20
Pc – Pa
0,76 – 0,56
=
= 0,45
1 – Pa
1 – 0,56
Método de Huynh
(3)(0,603) = 0,1809
7.Finalmente, la suma de los valores de la columna séptima es una estimación de las personas que superarán el punto de corte en
ambos test. Su cálculo es inmediato, multi-
Propuesto por Huynh (1976), es un método elegante matemáticamente para estimar los coeficientes
po y kappa. En su formulación original los cálculos
resultan bastante laboriosos, por lo que Peng y
Subkoviak (1980) propusieron un método de cálculo
TABLA 2.10
Cálculos requeridos por el método Subkoviak
Total
X
Fx
px
Px
Px2 + (1 – Px)2
Fx[Px2 + (1 – Px)2]
Fx Px
10
9
8
7
6
5
4
3
2
0
1
1
3
2
2
3
2
4
1
1
0,88
0,81
0,73
0,66
0,58
0,51
0,43
0,36
0,28
0,13
0,976
0,896
0,727
0,541
0,333
0,189
0,080
0,030
0,007
0,000
0,953
0,814
0,603
0,503
0,556
0,693
0,853
0,942
0,986
0,999
0,953
0,814
1,809
1,006
1,112
2,079
1,706
3,768
0,986
0,999
0,976
0,896
2,181
1,082
0,666
0,567
0,160
0,120
0,007
0,000
15,232
6,655
20
© Ediciones Pirámide
Fiabilidad
/ 71
Cabe preguntarse cuál de los dos coeficientes (po
o kappa) es preferible utilizar. No existe una respuesta definitiva por parte de los especialistas.
Cualquiera de ellos resulta apropiado si se utiliza
con prudencia, siendo recomendable proporcionar
no solo el valor numérico del coeficiente, sino también otros datos complementarios que puedan resultar útiles para su interpretación precisa, tales
como la tabla de frecuencias de la clasificación, la
distribución de frecuencias, la media y desviación
típica, el punto de corte y errores típicos de medida
para distintos niveles de la variable medida.
Como ocurría con el coeficiente de fiabilidad
clásico, la longitud del test y la variabilidad de la
muestra en el test influyen en ambos coeficientes.
Tanto el incremento de la longitud del test como la
variabilidad de la muestra tienden a incrementar el
1.Se calcula la desviación normal correspontamaño de los coeficientes po y kappa. Sin olvidar,
diente al punto de corte (C ) según la siguiente expresión:
claro está, que la clave para una buena fiabilidad es
que los ítems sean de calidad y constituyan una
muestra representativa del dominio a evaluar.
C – 0,5 – X
[2.53]
Z =
Pero el factor que tiene un mayor efecto sobre
Sx
el valor de ambos coeficientes es la ubicación del
punto de corte que se establezca para llevar a cabo
7 – 0,5 – 5,3
Z =
= 0,47
la clasificación de las personas de la muestra. El
6,41
valor de ambos coeficientes para un mismo test variará en función de dónde se establezca el punto de
2.Se busca en las tablas de la curva normal la
corte. Por tanto, no debe hablarse sin más del valor
proporción P z correspondiente al valor
de los coeficientes po y kappa para un test, sino para
Z = 0,47. En nuestro caso,
un test y determinado punto de corte. En general,
y asumiendo que la distribución de las puntuacioPz = 0,68
nes del test es unimodal, el valor de po tiende a aumentar si el punto de corte se ubica en zonas extre3.Mediante la tabla F se obtiene la probabimas de la distribución. Con el coeficiente kappa
lidad Pzz de la distribución conjunta de
ocurre lo contrario: su valor aumenta cuando el
dos variables normales con correlación
punto de corte está cercano a la media de la distriKR21 = 0,70, para el valor de Z = 0,47.
bución. Debido a esta clara incidencia del punto de
Pzz = 0,58
corte, ha recibido bastante atención el estudio de la
metodología para su ubicación adecuada, a la que
4. Se procede al cálculo de po y kappa:
dedicamos un breve apartado más adelante.
mucho más sencillo, que es el que seguiremos aquí.
Esta variación se basa en el supuesto, por otra parte
razonable, de que si se aplicasen dos formas paralelas, la distribución conjunta sería aproximadamente
normal. Diversos autores opinan que esta asunción
parece plausible cuando el número de ítems es superior a ocho y la media del test dividida entre el número de ítems (X/n) está entre 0,15 y 0,85.
Veamos su aplicación a los datos de la tabla 2.8,
suponiendo, como en el caso anterior, que solo se
dispone de la forma A y que el coeficiente de fiabilidad de esa forma es KR21 = 0,70. Recuérdese que
la media del test era 5,3, la varianza 6,41 y que el
punto de corte se establecía en 7. A partir de esos
datos se procede como sigue.
Po = 1 + 2(Pzz – Pz )
[2.54]
Coeficiente de Livingston
Po = 1 + 2(0,58 – 0,68) = 0,80
Todos los acercamientos al cálculo de la fiabiliPzz – Pz2
dad
de los TRC vistos hasta ahora tienen en común
k=
[2.55]
que parten de una clasificación de las personas en
Pz – Pz2
varias categorías y asumen que los errores que se co0,58 – 0,682
meten al clasificar son de la misma gravedad, es dek=
= 0,54
cir, el error de que personas que dominan la materia
0,68 – 0,682
© Ediciones Pirámide
72 /
Introducción a la Psicometría
(masters) sean clasificadas eventualmente como no
masters se considera igual de grave que cuando los
no masters se clasifican como masters. A todos los
métodos con esa asunción suele denominárselos
como de pérdida de umbral, aludiendo a las pérdidas
o errores que se producen al clasificar las personas
tras establecer un determinado umbral o punto de
corte. Sin embargo, los dos índices que se verán a
continuación (Livingston, 1972; Brennan y Kane,
1977) no son de ese tipo, pues sí tienen en cuenta la
importancia relativa de las clasificaciones incorrectas. Ambos índices van a considerar más graves los
errores de clasificación de las personas alejadas del
punto de corte que de las ubicadas cerca del mismo.
La lógica es clara: es fácil cometer errores cuando las
personas están muy cerca del punto de corte, pues
cualquier mínimo error puede conducir a equivocarse; pero no hay justificación para equivocarse en la
clasificación si la persona está muy alejada del punto
de corte. Por tanto, parece razonable no dar el mismo peso a ambos tipos de errores, y eso es lo que
hacen los coeficientes de Livingston (1972) y Brennan y Kane (1977), tenerlo en cuenta. Estos coeficientes reciben el nombre genérico de «pérdida de
error cuadrático», que alude a que utilizan la distancia cuadrática de las puntuaciones al punto de corte.
Cuanto más se alejen las puntuaciones del punto de
corte, mayores serán los errores cuadráticos.
El coeficiente de fiabilidad propuesto por Livingston fue desarrollado en el contexto de la teoría
clásica de los test, por lo que su terminología resulta familiar, y es muy fácil de calcular. Aunque aquí
se presenta dentro del apartado de coeficientes que
solo exigen una sola aplicación del test, lo cual es
verdad, con una ligera modificación, que luego se
verá, puede utilizarse también en el caso de disponer de dos formas paralelas de un test.
La fórmula viene dada por:
2
K xv
=
ασ x2 + ( µ – c)2
σ x2 + ( µ – c)2
donde:
a:
sx2:
m:
c:
Coeficiente alfa.
Varianza del test.
Media del test.
Punto de corte.
[2.56]
Vamos a aplicar la fórmula a la forma A de la
tabla 2.8. Recuérdese que el coeficiente alfa era
0,75, la media 5,3, la varianza 6,41 y el punto de
corte se establecía en 7.
2
K xv
=
0,75 × 6,41 + (5,3 – 7)2
= 0,83
6,41 + (5,3 – 7)2
2
Entre las propiedades de Kxv
, cabe destacar que
aumenta con el incremento del coeficiente alfa, pues,
como se puede observar en la fórmula, el coeficiente
alfa aparece en el numerador. Cuando alfa toma el
2
valor de 1, el coeficiente Kxv
también es 1. Como se
desprende directamente de su fórmula, cuando el
punto de corte (c) coincide con la media del test (m),
2
el coeficiente K xv
es igual a alfa. A medida que el
punto de corte se aleja de la media del test, el valor
2
de (m – c)2 aumenta, y así lo hace Kxv
, por lo que su
valor siempre es igual o mayor que alfa:
2
Kxv
⩾a
Dado que al ir separándose de la media del test
2
el punto de corte el valor de K xv
va aumentando,
podría argumentarse que, mediante esa lógica, para
lograr que un test fuese muy fiable sería cuestión de
separar el punto de corte lo suficiente de la media
del test. Bien, eso es verdad, igual que era verdad en
el enfoque clásico que, si se aumentaba convenientemente la variabilidad de la muestra, se lograba
una elevada fiabilidad. Pero ni en uno ni en otro
caso tiene sentido operar de ese modo solo por elevar la fiabilidad. Además, el punto de corte se establece allí donde se estima que tiene más sentido y
significación, y no donde más conviene para obtener
una elevada fiabilidad, igual que ocurría en lo tocante a la variabilidad, que será la que sea en función
de la población a la que vaya dirigido el test y no
elegida a conveniencia de un estudio de fiabilidad.
Livingston (1972) demuestra de forma elegante
que la fórmula de Spearman-Brown clásica que relaciona la longitud y la fiabilidad del test es perfectamente aplicable a su coeficiente en el entorno de
los test referidos al criterio:
2
K xv
=
2
nK xv
2
1 + (n – 1)K xv
[2.57]
© Ediciones Pirámide
Fiabilidad
donde n, como en la teoría clásica, es el número de
veces que se alarga el test.
Ejemplo
¿Cuál sería el valor del coeficiente de Livingston si se añadiesen cinco ítems a la forma A de la
tabla 2.8?
n=
2
=
K xv
10 + 5
= 1,5
10
1,5 × 0,83
= 0,88
1 + (1,5 – 1)0,83
ρ xx ′σ xσ x ′ + ( µx – c)( µx ′ – c)
[σ x2 + ( µx – c)2 ][σ x2′ + ( µx ′ – c)2 ]
[2.58]
donde X, X ′ son las dos formas paralelas del test,
y rxx′, la correlación entre ellas, es decir, el coeficiente de fiabilidad. A modo de ejercicio, trate el
lector de aplicar esta fórmula a los datos de la tabla 2.8.
Coeficiente de Brennan y Kane
Utilizando datos obtenidos al aplicar el modelo
de la teoría de la generalizabilidad, Brennan y Kane
(1977) han propuesto un coeficiente muy similar al
de Livingston, si bien da resultados algo más bajos
que aquel cuando se aplica a los mismos datos. Su
fórmula viene dada por:
M (C ) =
σ 2p + ( µ pi – C )2
σ 2 + σ e2
σ 2p + ( µ pi – C )2 + i
ni
[2.59]
Los distintos términos de la fórmula han sido
descritos en el epígrafe 8 dedicado a la teoría de la
© Ediciones Pirámide
generalizabilidad. El único nuevo es C, que se refiere al punto de corte, expresado en términos de proporción de ítems que han de ser respondidos correctamente para superar la prueba. Nótese que también
mpi ha de expresarse en forma de proporción, siendo
la proporción media total de ítems superados por
las personas. Véase en el apartado siguiente la aplicación de la fórmula 2.59 a los datos de la tabla
2.11.
Estimación del dominio
El valor obtenido con 10 ítems (0,83) pasa a
0,88 cuando se añaden cinco ítems. En el caso de
que se disponga de dos formas paralelas o de dos
aplicaciones del mismo test, la fórmula propuesta
en 2.56 viene dada por:
K xx ′ =
/ 73
Todos los indicadores de fiabilidad de los test
referidos al criterio vistos hasta ahora, de una manera u otra, trataban de comprobar en qué medida
las clasificaciones hechas a partir del establecimiento de un punto de corte resultaban consistentes; de ahí que muchos autores prefieran denominarlos índices de acuerdo, en vez de coeficientes de
fiabilidad propiamente dichos. No debe extrañar
que la mayoría de los coeficientes vayan dirigidos
a ese fin, pues en la práctica educativa y profesional suele exigirse el establecimiento de un punto de
corte entre las personas que superan y no superan
el dominio. No obstante, cabe plantearse el problema de forma más general, y preguntarse en qué
medida las puntuaciones en la prueba representan
las puntuaciones del dominio. O, referido a una
persona concreta, preguntarse cuál será su puntuación en el dominio, conocida su puntuación en
la prueba, tal como se hacía en la teoría clásica.
En el marco de la teoría de la generalizabilidad
puede hallarse una respuesta apropiada a esas
cuestiones, si bien también otros acercamientos
son posibles (Berk, 1984b; Brennan, 1980; Lord y
Novick, 1968). Una primera posibilidad, que ya
resultará familiar al lector, sería utilizar el error
típico de medida clásico para establecer un intervalo confidencial en torno a la puntuación empírica que permita estimar el valor verdadero en el
dominio, al modo en que se hacía para los test
referidos a normas. También se pueden utilizar
para este menester errores típicos de medida basados en la distribución binomial.
Dentro del marco de la teoría de la generalizabilidad, si lo que interesa es llevar a cabo estimaciones de lo que una persona obtendría en el dominio,
puede utilizarse la varianza error correspondiente al
74 /
Introducción a la Psicometría
caso de decisiones absolutas, que como se vio en el
epígrafe 8 viene dado por:
σ e( g ) =
σ i2 + σ e2
n
También se puede utilizar el coeficiente de generalizabilidad visto para los test referidos a normas
y que venía dado por:
[2.60]
ρG2 =
A partir de esa varianza error, un coeficiente de
generalizabilidad apropiado para el caso de los test
referidos al criterio vendría dado por:
2
ρ gD
=
σ 2p
σ 2 + σ e2
σ 2p + i
n
σ i2 =
[2.62]
Como ya habrá advertido el lector que no se
haya saltado la lectura del apartado dedicado a la
TG, las fórmulas precedentes provienen de un diseño de una sola faceta (los ítems) cruzada con las
personas ( p × i), pues todas las personas han de
responder a todos los ítems. Ya decíamos allí que
en la práctica este es el diseño más habitual.
[2.61]
donde n es el número de ítems, y los valores de sp2,
si2 y se2, como se vio en el epígrafe 8, pueden calcularse en función de las medias cuadráticas según las
fórmulas:
σ 2p =
σ 2p
σ2
σ 2p + e
n
EjEmplo
MC p – MCr
En la tabla 2.11 aparecen los resultados de aplicar un test de cinco ítems a 10 personas.
A partir de la tabla 2.11 se elabora mediante
análisis de varianza la tabla 2.12. Para ver cómo se
hace paso a paso, puede consultarse el ejemplo desarrollado con detalle al tratar los diseños de una
sola faceta (subepígrafe 8.3).
ni
MCi – MCr
np
σ e2 = MCr
TABLA 2.11
Ítems
Personas
1
2
3
4
5
—
Xp
a
b
c
d
e
f
g
h
i
j
0
1
0
1
1
1
1
1
1
1
1
1
0
1
0
1
1
0
1
0
1
0
0
1
0
0
1
1
1
1
0
0
0
0
1
0
1
0
1
0
0
0
0
0
1
0
0
0
1
0
0,4
0,4
0,0
0,6
0,6
0,4
0,8
0,4
1,0
0,4
—
Xi
0,8
0,6
0,6
0,3
0,2
0,5
© Ediciones Pirámide
Fiabilidad
/ 75
TABLA 2.12
Fuentes de variación
Personas ( p)
Ítems (i)
Residual (r)
Suma de cuadrados
Grados de libertad
Medias cuadráticas
Varianza estimada
3,30
2,40
6,80
9
4
36
0,37
0,60
0,19
0,036
0,041
0,190
A partir de los datos de la tabla 2.12 se calculan
los valores del error típico de medida y de los coeficientes expuestos. Empecemos por el error típico
de medida:
σ e( g ) =
σ i2 + σ e2
=
n
0,041+ 0,190
= 0,21
5
Mediante este valor, y adoptando un determinado nivel de confianza, pueden establecerse intervalos confidenciales en torno a las puntuaciones de
las personas, y así estimar la que corresponde en el
dominio.
El coeficiente de generalizabilidad para los TRC
vendría dado por:
2
ρ gD
=
σ 2p
0,036
= 0,44
2
2 =
σ
+
σ
0,041+ 0,190
i
e
2
σ p+
0,036 +
n
5
El coeficiente de generalizabilidad correspondiente a los test normativos:
ρG2 =
σ 2p
0,036
= 0,49
2 =
σ
0,190
σ 2p + e
0,036 +
n
5
El coefiente de Brennan y Kane vendría dado por:
M (C ) =
0,036 + (0,5 – 0,7)2
= 0,62
0,041 + 0,19
2
0,036 + (0,5 – 0,7) +
5
9.3. Establecimiento del punto de corte
Como se ha señalado en el apartado anterior al
exponer los métodos para estimar la fiabilidad de los
TRC, la mayoría de las situaciones aplicadas conlle© Ediciones Pirámide
van el establecimiento de un punto de corte que permita clasificar a las personas en dos grupos (a veces
más): aquellas que dominan el criterio evaluado y
las que no lo dominan. En los distintos métodos expuestos para calcular la fiabilidad se asumía que el
punto de corte ya estaba establecido, pero ¿cómo se
establece? Por ejemplo, si se trata de un TRC cuyo
objetivo es evaluar los conocimientos de inglés para
acceder a una beca en el extranjero, ¿cómo establecer el punto a partir del cual se considera que los
estudiantes dominan suficientemente el inglés?,
¿cuánto es suficiente? La respuesta es que dicho
punto de corte deben establecerlo jueces expertos en
la materia. Ahora bien, superado el problema de
contar con los jueces adecuados en calidad y número, existen distintos procedimientos que estos pueden seguir para decidir el punto de corte más apropiado. Ese tipo de procedimientos son los que se
expondrán en este apartado. No existe un punto de
corte mágico y correcto a priori, pues depende de los
jueces, pero, como se irá viendo, ello tampoco quiere decir que cualquier procedimiento seguido sea
igualmente válido. El asunto puede parecer un poco
obvio, pero cualquiera que haya tratado con un grupo de jueces expertos a los que se encomienda fijar
un punto de corte habrá comprobado la dificultad
práctica de la tarea. El establecimiento de los puntos
de corte de forma adecuada es de suma importancia,
pues a menudo determina el futuro profesional de
las personas en todo tipo de exámenes y certificaciones. Existe además una tendencia creciente a que la
mayoría de las profesiones tengan que certificarse y
pasar cada cierto tiempo pruebas para demostrar
que siguen al día en sus respectivos campos, lo cual
suele hacerse mediante TRC, que obligan a establecer los puntos de corte correspondientes para decidir
quién es competente y quién no lo es.
Suele hablarse de puntos de corte relativos y absolutos. Se denominan relativos cuando se fijan en
función del grupo de personas evaluadas, y absolu-
76 /
Introducción a la Psicometría
tos, cuando solo dependen de la materia evaluada.
Los puntos de corte relativos no tienen mucho sentido en el contexto de los TRC, puesto que el objetivo de estos es determinar el dominio que las personas tienen del criterio y no su posición respecto
del resto de los componentes del grupo. Si se adopta un procedimiento relativo, se está predeterminando a priori que algunas personas no serán clasificadas como masters, cuando es perfectamente posible
que todas ellas dominen el criterio. Por ejemplo, sería inadmisible que un profesor estableciese el punto
de corte para aprobar a los alumnos en la nota media de los presentados, pues estaría estableciendo de
antemano que van a suspender en torno a un 50 %
de los estudiantes. El aprobado ha de establecerse en
función de la materia, no del grupo. Algo bien distinto ocurre en situaciones de selección de personal,
oposiciones y, en general, cuando existen muchos
más aspirantes que plazas libres, en cuyo caso sencillamente se admite a los mejores, supuesto, claro
está, que superen los mínimos exigidos.
Por todo lo dicho anteriormente, aquí nos centraremos fundamentalmente en los puntos de corte
de carácter absoluto. No obstante, en el último apartado se tratarán dos métodos que intentan llegar a
un compromiso entre este enfoque absoluto y algunos datos de carácter relativo. Se exponen los procedimientos más habituales y clásicos, pero el lector
interesado en ir algo más allá puede consultar la
abundante bibliografía existente, recomendándose
en especial los trabajos de Livingston y Zieky (1982),
Berk (1986), Jaeger (1989), Cizek (1996, 2012), Hambleton y Pitoniak (2006) o Zieky et al. (2008), entre
otros muchos. Se describen tres bloques de procedimientos: los centrados en el test, los centrados en las
personas y los de compromiso.
Procedimientos centrados en el test
Los procedimientos descritos en este apartado
para fijar el punto de corte se basan en los juicios de
los expertos acerca de los distintos ítems del test, lo
que explica su denominación de centrados en el test.
Se describirán los métodos propuestos por Nedelsky
(1954), Angoff (1971) y Ebel (1972). Los tres métodos requieren seleccionar los jueces apropiados en
calidad y número, así como darles un cierto entrenamiento y formación. No se entra aquí en cómo llevar
a cabo esas tareas; únicamente señalar que la muestra
de jueces debe ser representativa y cuanto más amplia
mejor. Temas interesantes debatidos por los expertos
son si es preferible que los jueces trabajen en grupo o
individualmente, si se les debe obligar a llegar a consensos, si hay que proporcionarles la alternativa correcta o no, etc. El análisis de esta problemática excede los propósitos de nuestra sucinta exposición, pero
el lector interesado encontrará abundante material en
las referencias bibliográficas citadas. Los tres métodos descritos a continuación varían en el tipo de tareas solicitadas de los jueces y en cómo se procesan y
organizan los juicios emitidos por estos.
Método de Nedelsky
Propuesto por Nedelsky (1954), solo se puede
utilizar cuando los ítems son de elección múltiple,
pues requiere que los jueces analicen cada una de las
alternativas. Una vez analizadas, deben decidir cuáles consideran que serían detectadas como erróneas
por una persona que tuviese los conocimientos mínimos exigibles para dominar el criterio. Por ejemplo, considérese el siguiente ítem de geografía.
La capital de Estados Unidos es: Nueva York,
Washington, Montreal, San Francisco, Ottawa. Un
juez podría considerar que una persona con los mínimos conocimientos geográficos exigibles para
aprobar sería capaz de descartar como erróneas
Montreal, San Francisco y Ottawa, pero no Nueva
York. En función de las respuestas de todos los jueces a todos los ítems, se establece el punto de corte,
o conocimientos mínimos exigibles para aprobar o
superar la prueba. Veamos en concreto cómo se tienen en cuenta las opiniones de los jueces para establecer el punto de corte.
En el método de Nedelsky se asume que ante un
ítem las personas primero descartan las alternativas
que consideran claramente erróneas y luego eligen al
azar entre las restantes. Bajo esta óptica, la puntuación esperada de una persona en un ítem viene dada
dividiendo la unidad por el número de alternativas no
descartadas. En el ejemplo anterior, el valor esperado
sería 1/2 = 0,5, pues quedaban sin descartar dos alternativas, Nueva York y Washington. Para obtener el
valor esperado para todo el test se suman los valores
esperados de cada ítem. De modo que tendremos un
valor esperado del test para cada juez. ¿Cómo combinar los valores de los distintos jueces para obtener
el punto de corte único? Lo más habitual es calcular
© Ediciones Pirámide
Fiabilidad
la media o mediana de los valores asignados por los
distintos jueces. También se pueden eliminar los valores extremos antes de calcular la media o la mediana. Si la variabilidad entre los jueces es alta, lo cual
no es deseable, pues implica poca fiabilidad interjueces, la mediana es más indicada.
Cuando se va a utilizar la fórmula para corregir
los efectos del azar (véase el epígrafe 5 del capítulo
4), también debe corregirse con ella el punto de corte. Por ejemplo, si en un test de 10 ítems de cinco
alternativas cada uno la media de los valores esperados de cuatro jueces resultó ser 6, el punto de corte
sin corregir los efectos del azar se establece en 6. Pero
si se corrigen estos mediante la fórmula expuesta en
el epígrafe 5 del capítulo 4, el punto de corte sería:
6–
(10 – 6)
=5
5–1
En general, el método de Nedelsky funciona
bien, aunque no carece de limitaciones. Por ejemplo,
el valor esperado de un ítem nunca puede tomar valores entre 0,50 y 1, pues o bien solo quedan dos
alternativas sin descartar, en cuyo caso el valor esperado es 0,5, o queda solo una, en cuyo caso es 1.
Como señala Shepard (1980), este método tiende a
dar valores más bajos para el punto de corte que el
resto de los métodos, debido a la resistencia habitual
de los jueces a considerar que todas las personas
responderían correctamente el ítem.
Método de Angoff
Propuesto por Angoff (1971), es muy parecido al
de Nedelsky visto en el apartado anterior, si bien tiene la gran ventaja de que permite su aplicación a
todo tipo de ítems, aunque no sean de elección múltiple. En este método no se pide a los jueces que analicen cada una de las alternativas de los ítems, como
se hacía en el de Nedelsky; aquí los jueces emiten
evaluaciones globales de cada ítem. Se les pide que
digan cuál es la probabilidad de que una persona con
los conocimientos mínimos exigibles supere el ítem.
A veces resulta más fácil a los jueces si se les plantea
esta cuestión de forma ligeramente distinta, preguntándoles cuántas de entre 100 personas con los conocimientos mínimos exigibles superarían el ítem. Una
vez asignadas las probabilidades a cada ítem, la suma
de estas da el punto de corte exigible para superar el
© Ediciones Pirámide
/ 77
criterio. Si hay varios jueces, como es habitual, para
obtener el punto de corte único se combinan sus puntuaciones calculando la media o la mediana, igual
que en el caso del método de Nedelsky. También se
procede como allí en el caso de corrección de los efectos del azar. Nótese que si los ítems son de elección
múltiple, las probabilidades asignadas por los jueces
deberían ser al menos iguales o superiores a la correspondiente por mero azar, es decir, la unidad dividida
entre el número de alternativas del ítem.
EjEmplo
En la tabla adjunta aparecen las probabilidades
de que las personas con una competencia mínima
exigible superen los ítems de un test. Veamos cómo
se establece el punto de corte por el método de Angoff sin corregir los efectos de azar y corrigiéndolos.
Ítems
Juez A
Juez B
Juez C
1
2
3
4
5
0,50
0,33
0,25
1,00
0,25
0,50
0,50
0,25
0,50
0,33
0,50
0,33
0,25
0,50
0,25
2,33
2,08
1,83
Total
La media de los tres jueces es 2,08, por lo que
si la puntuación final del test se obtiene sin utilizar
la fórmula de corrección de los efectos del azar, el
punto de corte estaría ubicado en ese valor de 2,08.
Si para obtener las puntuaciones de las personas en test se corrigen los efectos del azar, el punto
de corte vendría dado por:
2,08 –
(5 – 2,08)
= 1,35
5–1
(Para una exposición de la lógica y fórmula de
la corrección de los efectos del azar, véase el epígrafe 5 del capítulo 4.)
El método de Angoff es el más utilizado en la
práctica, pues resulta sencillo de explicar a los jueces
y fácil de utilizar en la mayoría de las situaciones.
Aquí no nos ocupamos de cómo proceder con los
78 /
Introducción a la Psicometría
jueces para llegar a la asignación de las probabilidades finales, es decir, cómo deben trabajar, individualmente, en grupo, por consenso, instrucciones, número de jueces, etc. La utilización de un procedimiento
u otro puede variar en función de cada situación
específica, pero en general cualquiera de las opciones es válida si se procede con rigor metodológico.
A veces se utiliza una variante del método de
Angoff, consistente en proporcionar a los jueces una
serie de probabilidades entre las que tienen que elegir, en vez de generarlas ellos mismos. Livingston y
Zieky (1982) desaconsejan esta variante, pues limita
las opciones de los jueces, y además consideran que
va en contra del espíritu del método de Angoff.
Jaeger (1982) también propuso otra variante del
método, consistente en preguntar a los jueces si el
ítem debería ser contestado correctamente por todos los sujetos. En un proceso iterativo se permite
a los jueces ir modificando sus juicios en función de
la información que se les facilita, tal como sus juicios previos, de las opiniones de otros jueces y de la
dificultad de los ítems. El punto de corte es la mediana más baja de los diferentes grupos de jueces
finalizadas las iteraciones. Un problema de esta variante es que solo permite a los jueces asignar probabilidades de 0 o 1 a los ítems, pues o consideran
que lo superan o que lo fallan.
Método de Ebel
Propuesto por Ebel (1972), puede considerarse
un método que requiere dos pasos: primero los jueces clasifican los ítems según su dificultad y luego
según su relevancia. Ebel sugiere que se utilicen tres
niveles de dificultad (fácil, medio y difícil) y cuatro
niveles de relevancia (fundamental, importante,
aceptable y dudoso). De este modo los ítems aparecen clasificados en una tabla de 3 × 4, que da lugar
a 12 categorías distintas. Una vez clasificados los
ítems en las 12 categorías, se pide a los jueces que
para cada una de ellas señalen el porcentaje de personas que teniendo una competencia mínima exigible superarían los ítems similares a los de la categoría contemplada. La suma ponderada en función
del número de ítems de cada categoría es el punto
de corte del test. Las puntuaciones de los distintos
jueces se combinan como en los métodos anteriores,
calculando la media o la mediana.
EjEmplo
En la tabla adjunta aparecen los 25 ítems de un
test clasificados por un juez en las 12 categorías sugeridas por Ebel, así como los juicios emitidos para
los ítems de cada una de las 12 categorías.
Fáciles
Medios
Difíciles
Fundamentales
Ítems: 1, 3
Juicio: 90 % superan
Ítems: 2, 5
Juicio: 80 % superan
Ítems: 4
Juicio: 60 % superan
Importantes
Ítems: 7, 10, 8
Juicio: 80 % superan
Ítems: 6, 9, 25
Juicio: 70 % superan
Ítems: 11, 24
Juicio: 40 % superan
Aceptables
Ítems: 14, 19, 23
Juicio: 95 % superan
Ítems: 16, 18, 22
Juicio: 90 % superan
Ítems: 0
Dudosos
Ítems: 13, 20
Juicio: 90 % superan
Ítems: 15, 17, 21
Juicio: 50 % superan
Ítems: 12
Juicio: 30 % superan
Para obtener el punto de corte se multiplican
las proporciones de cada casilla por el número de
ítems de la casilla y se suma:
2(0,90) + 2(0,80) + 1(0,60) + 3(0,80) + 3(0,70) +
+ 2(0,40) + 3(0,95) + 3(0,90) + 0 + 2(0,90) +
+ 3(0,50) + 1(0,30) = 18,45
Si existiesen más jueces, se combinarían sus
puntuaciones como se señaló en los métodos ante-
riores, utilizando la media o la mediana, bien eliminando las puntuaciones extremas o sin eliminarlas.
Procedimientos centrados en las personas
Los procedimientos expuestos en el apartado
anterior se basaban en los juicios de los expertos
sobre los ítems del test. Sin embargo, los métodos
descritos en este apartado se valen de las opiniones
© Ediciones Pirámide
Fiabilidad
de los jueces sobre la competencia de las personas.
Para aplicar estos métodos hay que disponer de jueces expertos en la materia a evaluar, y que además
conozcan perfectamente la competencia de las personas en la materia objeto de evaluación. Recuérdese que en los procedimientos centrados en el test los
jueces solo tenían que ser expertos en la materia a
evaluar, pero no necesitaban conocer la competencia de las personas. A continuación se describen los
dos métodos más clásicos: el del grupo límite (Zieky
y Livingston, 1977) y el de los grupos de contraste
(Berk, 1976).
Método del grupo límite
En este método, propuesto por Zieky y Livingston (1977), se pide a los jueces que identifiquen de
entre las personas a las que va destinado el test
aquellas que en su opinión estarían en el límite de
superarlo, es decir, aquellas cuyos conocimientos en
la variable medida no son del todo inadecuados,
pero tampoco completamente adecuados. En suma,
se les pide que identifiquen las personas que están
en el límite de lo exigible, situadas entre las que dominan el criterio y las que no lo dominan. Una vez
identificado por los jueces un grupo de personas de
estas características, se les aplica el test en el cual se
está interesado en fijar el punto de corte. El valor
de este será la media o la mediana de las puntuaciones de este grupo de personas en el test. Se utiliza con más frecuencia la mediana, ya que es menos
sensible a la variabilidad de las puntuaciones. Si el
test se aplica antes de que los jueces emitan sus valoraciones, no se les deben dar a conocer las puntuaciones de las personas, pues podrían influir en
sus juicios.
El método resulta muy sencillo de aplicar en la
práctica, y funciona bien, siempre y cuando, claro
está, la detección del grupo de casos límites por los
jueces sea correcta. Nótese que solo se puede aplicar en situaciones en las que se dispone de personas
conocidas por los jueces en la variable de interés, lo
cual suele ocurrir con frecuencia en ambientes académicos, donde los profesores conocen a los alumnos, o en el ámbito profesional, donde los supervisores conocen la competencia profesional de los
trabajadores. Un inconveniente con el que se tropieza con frecuencia al aplicarlo es que el grupo de
personas límite no sea lo suficientemente amplio.
© Ediciones Pirámide
/ 79
EjEmplo
Una empresa juguetera ha dado un curso de
formación técnica a 50 trabajadores en paro para
enseñarles a construir un nuevo juguete que piensa
lanzar al mercado la próxima campaña. Después
del curso de formación, en opinión de los monitores
11 de las personas que asistieron al curso han conseguido una formación que consideran límite. Sometidas las 50 personas asistentes a una prueba sobre su competencia para elaborar el nuevo juguete,
las puntuaciones de las 11 del grupo considerado
límite por los jueces fueron las siguientes: 20, 21,
22, 23, 23, 24, 25, 25, 26, 26, 60. ¿Dónde se establecerá el punto de corte?
Dado que la mediana de las 11 puntuaciones es
24, el punto de corte se establecería en 24. En este
caso la media no sería apropiada, pues hay un caso
extremo (60) que arrastra la media hacia arriba. Si
se suprimen las dos puntuaciones extremas (20 y
60), la media sería 23,9, que coincide prácticamente
con la mediana.
Método de los grupos de contraste
Su utilización en este ámbito fue sugerida por
Berk (1976), si bien la lógica del método era bien
conocida y utilizada en el estudio de la validez de
las pruebas. Como ocurría con el método anterior
del grupo límite, para aplicar este método hay que
disponer de jueces que conozcan bien el rendimiento de las personas en el dominio de interés que se
pretende medir con la prueba en la cual se está interesado en establecer el punto de corte. Una vez
que se dispone de los jueces adecuados, se les pide
que clasifiquen a las personas a las que se aplicará
el test en dos grupos: las que en su opinión dominan el criterio y las que no lo dominan. Por lo general, no se puede trabajar con toda la población,
hay que utilizar una muestra representativa que sea
lo más amplia posible. Clasificadas de ese modo las
personas por los jueces y conocidas sus puntuaciones en el test, se trata de elegir el punto de corte que
separe con la mayor precisión posible a las que dominan el criterio de las que no lo dominan. El caso
ideal sería aquel en el que todos los clasificados por
los jueces como masters en el dominio estuviesen
por encima del punto de corte elegido, y todos los
clasificados como no masters, por debajo. En la
80 /
Introducción a la Psicometría
Número de personas
práctica ese caso ideal no se suele dar, por lo que
hay que elegir un punto de corte que minimice los
errores de clasificación.
La gama de posibilidades para determinar el
punto de corte es amplia. Un método gráfico muy
sencillo consiste en representar gráficamente ambas
distribuciones, la del grupo de aquellos que según
los jueces superarían la prueba y los que no, y elegir
como punto de corte la intersección de ambas distribuciones, según se observa en la figura 2.1.
Si en la figura 2.1 se mueve el punto de corte
hacia la derecha, se reducen los falsos positivos, es
decir, se reduce la probabilidad de considerar masters a los que no lo son. Por el contrario, si el punto de corte se mueve hacia la izquierda, se reducen
los falsos negativos, es decir, la probabilidad de considerar no masters a quienes realmente lo son. Es
importante tener esto en cuenta, pues pueden existir
situaciones prácticas en las que interese más minimizar un tipo de error que otro.
Otro método sencillo y muy utilizado es el sugerido por Livingston y Zieky (1982). Se divide a
las personas en varias categorías según su puntuación en el test y se computa para cada categoría el
número de personas que los jueces consideraron
masters y no masters. Siguiendo la misma lógica que
los métodos psicofísicos clásicos para determinar el
umbral absoluto, se elige como punto de corte
aquella puntuación que deja por debajo el 50 % de
los casos considerados masters por los jueces.
Ejemplo
Un grupo de 103 estudiantes fueron clasificados
por sus profesores en aprobados y suspensos. Tras
aplicar a los 103 estudiantes un test referido al criterio de 25 ítems, la distribución de sus puntuaciones y las opiniones de los profesores aparecen en la
tabla adjunta.
Test
F
Aprobados
Suspensos
Porcentaje
aprobados
21-25
16-20
11-15
6-10
0-5
10
20
30
34
9
10
15
14
10
l
0
5
16
24
8
100
80
50
22
2
103
50
53
Total
En la última columna se observa que la puntuación que deja por debajo al 50 % de los clasificados
por los jueces como aprobados es 15; luego ese será
el punto de corte elegido. En la mayoría de los ca-
Punto de corte
Puntuaciones en el test
Figura 2.1.—Método de los grupos de contraste.
© Ediciones Pirámide
Fiabilidad
sos la puntuación que deja por debajo al 50 % no
aparecerá directamente como en este ejemplo, por lo
que habrá que interpolar, de la misma forma que se
hace para calcular los percentiles. También se puede
utilizar alguna de las estrategias habituales en psicofísica clásica para determinar el umbral absoluto;
véanse, por ejemplo, Blanco (1996) o Muñiz (1991).
Autores como Livingston y Zieky (1982) proponen
que se suavicen los porcentajes acumulados para aumentar su estabilidad, y sugieren métodos sencillos
de carácter gráfico, o medias móviles, para llevarlo a
cabo. No obstante, si la muestra es suficientemente
grande y los intervalos no se hacen demasiado estrechos, puede procederse directamente, como se hizo
en el ejemplo. Esta forma de ubicar el punto de corte asume que todos los tipos de errores cometidos al
clasificar tienen la misma importancia, pero otras
muchas opciones han sido propuestas por diversos
autores (Koffler, 1980; Peters, 1981).
Un inconveniente de este método de grupos de
contraste es que exige mucho tiempo, pues los jueces tienen que juzgar una a una a todas las personas
de la muestra. Para evitar este inconveniente, Livingston y Zieky (1982) apuntan la posibilidad de
utilizar el método arriba-abajo, también usado en
psicofísica, consistente en ir presentando a los jueces únicamente personas cercanas (por encima y
por debajo) al previsible punto de corte, con lo cual
se ahorra tiempo, si bien la aplicación correcta conlleva serias dificultades. Remitimos a los textos de
psicofísica citados para una exposición del método.
Procedimientos de compromiso
Los procedimientos expuestos hasta ahora para
fijar el punto de corte se consideran de carácter absoluto, pues en todos ellos los jueces establecen un
mínimo de conocimientos que una persona necesita
para superar el criterio, independientemente de lo
que haga el resto de las personas del grupo. El que
una persona superase o no el criterio no estaba en
función de su posición relativa en el grupo, de modo
que, fijado el punto de corte, podía darse el caso
extremo de que todas o ninguna de las personas
evaluadas lo superasen.
Los métodos que se exponen en este apartado
utilizan tanto la información de carácter absoluto
como la relativa al grupo, tratando de llegar a un
compromiso combinando ambos tipos de datos.
© Ediciones Pirámide
/ 81
Esta lógica seguramente extrañará al lector, pues al
introducir el problema de los puntos de corte ya se
indicó que el dominio o no de un criterio por parte
de una persona solo debería depender de sus conocimientos en relación con el punto de corte establecido, no de lo que hiciesen los demás. Desde un punto de vista teórico, esto sigue siendo correcto, pero
en muchas situaciones aplicadas el establecimiento
de puntos de corte o estándares tiene unas repercusiones sociales tan fuertes que excede los planteamientos puramente psicométricos. Piénsese, por
ejemplo, en las implicaciones que tendría en España
el establecimiento de unos estándares profesionales
que tuviesen que superar cada cierto número de
años los funcionarios para continuar en su puesto.
En estos procesos tan complejos no solo estarían
interesados los expertos en la medición, habría que
tener en cuenta a los ciudadanos que pagan la Administración con sus impuestos, a los poderes públicos, a los propios funcionarios implicados, etc. En
España esto aparece como lejano, pero en otros países de nuestro entorno occidental se están llevando
a cabo rutinariamente procesos de certificación de
este tipo para distintas profesiones. En estas circunstancias, conviene tener en cuenta no solo los criterios absolutos, sino también su relación con las poblaciones reales a evaluar. Si solo se atendiesen los
criterios absolutos, podría ocurrir que en ocasiones
resultasen poco realistas, fallando en alcanzarlos la
mayoría del colectivo objeto de la evaluación o, por
el contrario, superándolos todo el mundo. Esto, que
en teoría no representa ningún problema, plantea
situaciones engorrosas y de credibilidad en la práctica; de ahí estos métodos que tratan de llegar a un
compromiso, combinando los datos de carácter absoluto y relativo.
Se exponen dos de los métodos que más atención han recibido (Beuk, 1984; Hofstee, 1983), aunque existen otros (De Gruijter, 1980; Grosse y
Wright, 1986). Para una buena revisión de estos métodos, véanse De Gruijter (1985) o Milis y Melican
(1988).
Método de Beuk
Fue propuesto por Beuk en 1984 y en él los jueces tienen que responder a dos preguntas cuyas respuestas se utilizarán luego para establecer el punto
de corte de compromiso. La primera de las pregun-
82 /
Introducción a la Psicometría
tas aporta datos de carácter absoluto, y la segunda,
relativos. Teniendo en cuenta las respuestas de todos los jueces a ambas preguntas y los resultados
empíricos de las personas en el test, se establecerá
un punto de corte de compromiso entre los tres tipos de información. Las preguntas que se formulan
a los jueces son las siguientes:
1. Porcentaje
mínimo de ítems de la prueba
que deben responder correctamente las personas para superarla.
2. Porcentaje de personas que superarán la
prueba.
Como se puede ver, la primera de las cuestiones
alude, como en los métodos previos, a datos absolutos, y la segunda es de carácter relativo.
Una vez aplicada la prueba a las personas, estas estimaciones de los jueces se contrastan con los
datos empíricos obtenidos y se llega a un compromiso entre las tres fuentes de datos para establecer
el punto de corte. Ahora bien, existen muchas formas posibles de compromisos. La de Beuk, que se
expone a continuación, es muy razonable, pero
otras muchas son pensables. Para aplicar el método de Beuk se procede como se ilustra en la figura 2.2.
Porcentaje de personas
100
A′
y–c
y–
A
DE
0
x–
x–c
100
Porcentaje de ítems
Figura 2.2.—Método de Beuk.
© Ediciones Pirámide
Fiabilidad
1. Se trazan dos ejes, colocando en abscisas los
porcentajes de ítems que en opinión de los
jueces hay que contestar correctamente
para superar la prueba, es decir, las respuestas de los jueces a la primera pregunta que
se les hace.
2. Se calculan las medias de las respuestas de
— —
los jueces a las dos preguntas (X , Y ) y se
obtiene el punto A.
3. Se obtiene la distribución empírica (DE ) de
las puntuaciones de las personas en el test.
Lógicamente resulta decreciente, pues a medida que se va exigiendo superar más ítems
para pasar el test (eje de abscisas), decrece
el porcentaje de personas que lo pasan (eje
de ordenadas).
4. Se obtiene el punto A′, intersección de la
recta AA′ con la distribución empírica
(DE ). Para ello se hace pasar por A una
recta cuya pendiente es el cociente entre la
desviación típica de las respuestas de los
jueces a la pregunta 2 y la desviación típica
de sus respuestas a la primera pregunta, es
decir, Sy /Sx. La fórmula de dicha recta viene
—
—
dada por: Y = (Sy /Sx) (X –X ) + Y . Las razones expuestas por Beuk para asignar esta
pendiente a la recta resultan coherentes con
la idea de compromiso del método, y según
los datos que aporta funciona bien. Recuérdese que, en general, para dos variables X e
Y, la pendiente de la recta de regresión de Y
sobre X según el criterio de mínimos cuadráticos viene dada por rxy(Sy /Sx).
5. Para obtener el punto de corte de compromiso se proyecta A′ sobre el eje de abscisas, obteniéndose el punto de corte (Xc),
expresado en forma de porcentaje de ítems
del test que se han de superar. Si se prefiere expresar en términos del número de
ítems del test, se multiplica este valor (Xc)
por el número de ítems (n) que tenga el
test: (Xc)(n).
Método de Hofstee
El método de Hofstee (1983) constituye un
compromiso entre la información proporcionada
por los jueces a cuatro preguntas y la distribución
© Ediciones Pirámide
/ 83
empírica de las puntuaciones de las personas en el
test. Las cuatro preguntas son las siguientes:
1. Punto de corte que consideran satisfactorio, aunque lo superen todas las personas
(PCmáx). Se establece en términos del porcentaje de ítems que han de superarse.
2. Punto de corte insatisfactorio, aunque no lo
supere nadie (PCmín).
3. Porcentaje
máximo admisible de personas
que fallan en la prueba (Fmáx).
4. Porcentaje mínimo admisible de personas
que fallan en la prueba (Fmín).
Con la información obtenida en esas cuatro
preguntas y la distribución empírica (DE ) de los
resultados en el test, se procede como se ilustra en
la figura 2.3. En el eje de abscisas aparecen los porcentajes de ítems respondidos correctamente; en el
de ordenadas, los porcentajes de personas que no
superan los ítems correctos exigidos. La distribución empírica (DE) refleja cómo, a medida que se
exige un mayor porcentaje de ítems correctos para
superar el test (abscisas), aumenta el porcentaje de
personas que fallan, es decir, que no superan la
prueba (ordenadas).
obtienen los puntos A y B, como se indi1. Se
ca en el gráfico: A(PCmín, Fmáx) y B(PCmáx,
Fmín).
2. Se
unen mediante una recta los puntos A
y B.
3. El punto de intersección de la recta AB y la
distribución empírica (DE ) se proyecta sobre el eje de abscisas, obteniéndose así el
punto de corte de compromiso (PCc). Si en
vez de porcentajes se prefiere utilizar el número de ítems, se multiplica el valor de PCc
por el número de ítems (n) del test:
(PCc)(n)
Mediante el método de Hofstee se llega a una
solución de compromiso entre la información absoluta y la relativa. Aunque no es fácil que ocurra en
la práctica, cabe la posibilidad de que la recta AB
no se encuentre con la distribución empírica (DE ),
en cuyo caso el método no proporcionaría una solución.
84 /
Introducción a la Psicometría
100
Porcentaje de personas que fallan
DE
Fmáx
A
B
Fmín
0
PCmín
PCc
PCmáx
100
Porcentaje de ítems correctos
Figura 2.3.—Método de Hofstee.
9.4. Fiabilidad interjueces
Cuando se utilizan jueces o expertos, bien sea
para establecer los puntos de corte, tal como se expuso en los apartados anteriores, o en otras muchas
situaciones de evaluación, cabe preguntarse en qué
medida sus estimaciones resultan fiables, es decir, en
qué medida concuerdan sus juicios. Téngase en
cuenta que los juicios de los expertos no están exentos de errores de medida, pues, por muy expertos
que sean, parafraseando a Terencio, bien se puede
decir que nada de lo humano les es ajeno.
Para estimar la fiabilidad interjueces cabe distinguir dos situaciones, en función de cómo se les
ha pedido que expresen sus juicios: clasificaciones
de las personas en dos o más categorías, o puntuaciones cuantitativas. Veamos cómo proceder en
cada uno de los casos.
Clasificaciones
En el caso de que los jueces hayan clasificado a
las personas en dos o más categorías, tal como se
ha visto en el subepígrafe 8.2, un indicador muy
© Ediciones Pirámide
Fiabilidad
apropiado es el coeficiente kappa. Por ejemplo, en
el cuadro adjunto, tomado de dicho subepígrafe,
aparecen los datos de 20 personas clasificadas por
dos psicólogos clínicos en dos categorías, según
consideren que superan o no un determinado nivel
de ansiedad. ¿Puede afirmarse que existe una coincidencia diagnóstica entre ambos expertos?
Superan
No superan
Total
Superan
No superan
6
2
1
11
7
13
Total
8
12
20
Como ya se vio en el subepígrafe 8.2, la fórmula
del coeficiente kappa bien dada por:
K =
Fc – Fa
N – Fa
[2.63]
Aplicando la fórmula, tal como se vio en detalle
en el subepígrafe citado:
K =
17 – 10,6
= 0,68
20 – 10,6
Este valor indica que el acuerdo entre los dos
psicólogos clínicos a la hora de diagnosticar la ansiedad es muy limitado, dado que el valor máximo
de kappa es 1, que está muy lejos del valor obtenido. Aparte del coeficiente kappa, existen otros muchos posibles indicadores para estimar el grado de
acuerdo entre clasificaciones. Una buena revisión
general puede consultarse en Han y Rudner (2016).
Puntuaciones cuantitativas
Es muy frecuente el caso en el que no se pide a
los expertos que clasifiquen a las personas en determinadas categorías, sino que les asignen una puntuación, por ejemplo calificaciones académicas en
una escala de cero a diez, u otra cualquiera. En estos casos no tiene sentido utilizar el coeficiente kap­
pa y similares, dado que no tenemos categorías; por
© Ediciones Pirámide
tanto, hay que usar otro tipo de indicadores para
comprobar la fiabilidad interjueces. Vamos a comentar tres muy habituales:
— Correlación de Pearson.
— Coeficiente de concordancia.
— Correlación intraclase.
Correlación de Pearson
Psicólogo B
Psicólogo A
/ 85
El coeficiente de correlación de Pearson (rxy) nos
indica el grado de relación lineal entre dos variables;
su valor, como es bien sabido, se obtiene dividiendo
la covarianza entre las variables correlacionadas por
el producto de sus desviaciones típicas:
rxy =
cov (X ,Y )
SxS y
Debe quedar muy claro que el coeficiente de correlación de Pearson no es un indicador adecuado
para establecer el grado de fiabilidad interjueces. La
razón es que puede obtenerse una elevada correlación entre las estimaciones de los jueces, incluso
perfecta, y sin embargo encontrarnos ante dos jueces cuyas puntuaciones son muy distintas, por lo
que el uso de la correlación de Pearson nos conduciría a error. La razón es muy sencilla: Pearson nos
indica la relación lineal entre las puntuaciones de
los jueces, de modo que si la correlación es baja,
está claro que las puntuaciones de los jueces no
convergen, pero si el coeficiente de correlación es
elevado, eso no nos garantiza una convergencia
adecuada. Por ejemplo, aunque la correlación sea
muy elevada, las medias pueden diferir si un juez es
más duro que otro en sus apreciaciones. A veces se
ha recurrido a complementar Pearson con el cálculo
de la diferencia entre las medias, pero incluso podría ocurrir que las medias fuesen iguales y las puntuaciones tuviesen una variabilidad muy diferente.
En suma, la correlación de Pearson no es aconsejable para estimar la fiabilidad interjueces.
Veamos un ejemplo. En la tabla adjunta aparecen las puntuaciones en depresión asignadas por
dos psicólogas a cinco pacientes. ¿Puede afirmarse
que existe buena fiabilidad interjueces?
Nótese que la correlación de Pearson entre las
puntuaciones de ambos jueces es 1, es decir, es per-
86 /
Introducción a la Psicometría
fecta. Pero ¿es así? ¿son totalmente iguales los diagnósticos de ambas psicólogas? Vemos que la media
de las puntuaciones asignadas por la primera psicóloga es 4, y la de la segunda, 8, es decir, la psicóloga
1 puntúa mucho más bajo que la 2. Pero no solo
eso: la desviación típica de las puntuaciones otorgadas por la primera es 1,41, mientras que la de la
segunda es 2,83, nada menos que el doble. Por tanto, si nos fiásemos del valor de Pearson, cometeríamos un grave error al juzgar el grado de acuerdo
entre los diagnósticos de las dos psicólogas. Para
evitar estos inconvenientes se han propuesto distintos indicadores, y uno de los más sencillos es el coeficiente de concordancia.
Personas
Psicóloga 1
A
B
C
D
E
Psicóloga 2
2
3
4
5
6
4
6
8
10
12
Media
4
8
Desviación típica
1,41
2,83
Coeficiente de concordancia (Cc)
El coeficiente de concordancia (Lin, 1989) trata
de evitar los problemas de la correlación de Pearson
para estimar el acuerdo entre expertos. Su fórmula
viene dada por la expresión:
Cc =
2rxySxS y
Sx2
+ S y2 + (X – Y )2
[2.64]
Si hay más de dos jueces, se podría hallar el coeficiente de concordancia para los distintos pares de
jueces, pero es más aconsejable utilizar la generalización del coeficiente para n jueces, propuesta por
Barnhart et al. (2002).
Correlación intraclase
La correlación intraclase (Cic) constituye una
alternativa clásica para estimar la fiabilidad interjueces, evitando los problemas que se han mencionado más arriba de la correlación de Pearson. Se
trata de un método basado en el análisis de varianza de medidas repetidas, en el que las medidas repetidas son los evaluadores. Se trata, por tanto, de un
caso particular del coeficiente de generalizabilidad
visto en el subepígrafe 8.4. Por tanto, no existe un
solo Cic, sino que su estimación va a depender del
diseño de análisis de varianza utilizado. Una guía
práctica para elegir el Cic que procede en cada caso
puede consultarse en el trabajo de Koo y Li (2016).
Tratamientos clásicos detallados sobre la Cic pueden
verse en Shrout y Fleiss (1979), McGraw y Wong
(1996), Shoukri (2010) o Gwet (2014). Una vez elegido el diseño de ANOVA pertinente, su cálculo
está implementado en numerosos programas informáticos, incluido el SPSS. Como los coeficientes
­anteriores, su valor se encuentra entre 0 y 1. La Cic
constituye una alternativa flexible para el cálculo de
la fiabilidad interjueces, adaptándose a las distintas
situaciones y diseños que se pueden plantear en la
práctica. Por supuesto, el uso de la Cic no tiene por
qué limitarse al estudio de la fiabilidad interjueces,
pues el modelo permite su utilización en cualquier
situación en la que se pretenda estimar el grado de
acuerdo entre mediciones, por ejemplo ítems, test,
como ya se ha visto al tratar de la teoría de la generalizabilidad.
Aplicado a los datos de la tabla:
Cc =
2(1)(1,41)(2,83)
= 0,31
2 + 8 + (4 – 8)2
Como se puede observar, el valor obtenido es
mucho menor que el ofrecido por la correlación de
Pearson, que era 1, lo que indica que efectivamente
la fiabilidad interjueces es muy baja para los diagnósticos ofrecidos por las dos psicólogas.
9.5. Comentarios finales
Tras exponer los distintos métodos para establecer los puntos de corte o estándares, seguramente
algunos lectores se preguntarán cuál se debe de utilizar o cuál es el mejor. No existe una respuesta unívoca, pero puede consultarse la guía publicada por
Berk (1986), en la que revisa y clasifica 38 métodos
para establecer estándares, proporcionando tam© Ediciones Pirámide
Fiabilidad
bién consejos prácticos útiles. También puede utilizarse el trabajo de Jaeger (1989). En realidad, todos
los métodos funcionan razonablemente bien si se
aplican correctamente, aunque lo ideal sería poder
aplicar más de uno y así contrastar los resultados.
No obstante, la tarea de establecer estándares no es
un problema únicamente psicométrico, de modo
que aparte del método utilizado debe hacerse uso
de todo tipo de información disponible. Es precisamente en la implementación de los métodos en la
práctica cuando se suelen cometer los errores, pues,
como bien señala Cizek (1996), el peligro está en los
detalles. ¿Por qué hay tanto riesgo de aplicar incorrectamente los métodos?: sencillamente porque en
todos ellos todo depende de los jueces y hay muchos aspectos de su comportamiento que desconocemos. Empezando por la consistencia o fiabilidad
de sus juicios (Plake et al., 1991) y continuando por
el número idóneo de jueces en cada caso (Jaeger,
1991), la forma de seleccionarlos y el entrenamiento
que debe dárseles (Reid, 1991), la forma ideal de
trabajar (Fitzpatrick, 1989): individual o en grupo,
etc. Todos ellos son temas a los que se ha dedicado
bastante investigación, pero estamos lejos de las
respuestas definitivas, entre otras cosas porque son
problemas complejos, no circunscritos a la psicometría, que reclaman para su análisis distintas áreas de
la psicología y de la sociología. Otro factor clave
que subyace a todos los demás es la validez de las
opiniones de los jueces (Kane, 1994), que no se debe
dar por supuesta, hay que comprobarla. Finalmente, señalar que aquí solo se han abordado métodos
surgidos de las necesidades de formas de evaluar
más bien clásicas, pero las nuevas orientaciones evaluativas de los noventa están dando lugar a nuevos
enfoques para establecer los estándares (Berk, 1996;
Clauser y Clyman, 1994; Faggen, 1994; Hambleton
y Plake, 1995; Jaeger, 1995; Putnam et al., 1995;
Shepard et al., 1993). Tratamientos detallados y actuales pueden consultarse en Hambleton y Pitoniak
/ 87
(2006), Cizek y Bunch (2007), Zieky et al. (2008) o
Cizek (2012), y una excelente panorámica del estado actual del campo, en Pitoniak y Cizek (2016).
Por su parte, la última versión de los estándares técnicos sobre los test dedica varios apartados al establecimiento de los puntos de corte (AERA, APA,
NCME, 2014).
Pitoniak y Cizek (2016) sintetizan el proceso de
establecimiento de los puntos de corte en once pasos, que se comentan a continuación:
1.Escoger un método adecuado para establecer los puntos de corte.
2. Elegir los expertos o jueces.
3.Describir las categorías de clasificación
que se van a utilizar.
4. Entrenar a los expertos.
5.Definir los conocimientos de las personas
que están en el límite de superar los puntos de corte.
6.Recoger las evaluaciones hechas por los
expertos.
7.Analizar los datos y dar información a los
expertos.
8. Establecer los puntos de corte.
9.Recoger las opiniones de los expertos sobre el desarrollo del proceso.
10.Recoger evidencias de la validez del proceso y preparar la documentación psicométrica.
11.Proporcionar la información correspondiente a los responsables de la evaluación.
Como se puede observar, el proceso general
para establecer puntos de corte es amplio y complejo. Aquí nos hemos limitado a ilustrar los métodos
más clásicos, correspondientes al primer paso, pero
otros muchos aspectos están implicados para llevar
la labor a buen fin, como bien ilustran los once pasos citados.
EJERCICIOS
1. Demuestre que en el modelo lineal clásico
la covarianza entre los errores y las puntuaciones
verdaderas es cero (sev = 0).
© Ediciones Pirámide
2. Demuestre que en el modelo lineal clásico
la covarianza entre las puntuaciones empíricas y las
verdaderas es igual a la varianza de las verdaderas
(sxv = sv2).
88 /
Introducción a la Psicometría
3. Sea el siguiente modelo lineal: X = V +
+ e1 + e2, donde X y V, como en el modelo lineal
clásico, son la puntuación empírica y la verdadera,
respectivamente, e1 es un error de medida debido a
las condiciones físicas externas al sujeto y e2 es un
error asociado al estado psicológico del sujeto a la
hora de responder al test. Se asume, como parece
lógico, que ambos errores están correlacionados y
que sus varianzas son iguales; por lo demás, se hacen las mismas asunciones que en el modelo clásico.
1. Exprese sX2 en función de sus componentes.
2.Calcule el valor de la varianza de las puntuaciones empíricas (SX2) y el de la covarianza entre empíricas y verdaderas (SXV), sabiendo que la varianza verdadera es 10
(S V2 = 10), la varianza de los errores 2
(Se21 = Se22 = 2) y la correlación entre ambos
tipos de error 0,50.
3.Utilizando los datos del apartado anterior,
realice los cálculos allí indicados para el
modelo:
X = V + e1 – e2
4. A continuación aparecen las puntuaciones
empíricas, las verdaderas y los errores correspondientes a cinco sujetos en un test de fluidez verbal
y otro de comprensión verbal.
Fluidez verbal
Sujetos
A
B
C
D
E
Comprensión verbal
X
V
e
X
V
e
5
6
4
7
3
4
8
4
5
0
1
–2
0
2
3
6
8
4
5
3
6
7
5
3
5
0
1
–1
2
–2
1.Compruebe si el modelo (X = V + e) se
cumple para todos los sujetos en ambos
test.
2.Ordene a los sujetos en cada test de más
favorecido a más perjudicado por los errores aleatorios de medida.
3.Compruebe si para estos datos se cumple el
supuesto 2 del modelo en ambos test.
4.Compruebe si para ambos test se cumple:
sX2 = sV2 + se2.
5.Conteste, justificando adecuadamente la
respuesta, si es correcta o incorrecta la siguiente afirmación: «Si los supuestos del
modelo lineal clásico no se cumplen estrictamente para una muestra reducida de sujetos, nunca se cumplirán para la población a
la que pertenecen».
5. Dos test presuntamente paralelos se aplicaron a dos muestras independientes de 100 sujetos
extraídas de la misma población. La media de las
puntuaciones de los sujetos en el primero fue 40, y
la del segundo, 36. La varianza de la población es
de 9 en ambos casos.
1.Al nivel de confianza del 95 %, ¿puede seguir manteniéndose la presunción de paralelismo?
2.A ese mismo nivel de confianza del 95 %,
¿qué diferencia máxima entre las medias de
ambos test se podría admitir para mantener
la presunción de paralelismo?
6. En una muestra de 150 sujetos la media de
cierto test fue 70, y su varianza insesgada, 16.
1.¿Son compatibles estos datos con la hipótesis de que la media del test en la población
es 75? NC: 99 %.
7. ¿Cuánto vale el coeficiente de fiabilidad de
un test cuya varianza verdadera es el 75 % de su
varianza empírica? ¿Cuál es su índice de fiabilidad?
8. Calcule el coeficiente de fiabilidad de un test
en el que la varianza de los errores es el 10 % de la
varianza empírica.
9. Calcule el coeficiente de fiabilidad de un test
en el que la varianza de los errores es el 25 % de la
varianza verdadera.
10. ¿Cuál es el coeficiente de fiabilidad de un
test en el que la varianza de los errores y la varianza verdadera son iguales?
11. Calcule el coeficiente de fiabilidad de un
test en el que la varianza verdadera es el 80 % de la
varianza de los errores.
© Ediciones Pirámide
Fiabilidad
12. Resuelva los problemas anteriores (7, 8, 9,
10 y 11) sustituyendo en los enunciados el término
«varianza» por el de «desviación típica».
13. Demuestre que si se cometiese un error sistemático, el mismo en todos los sujetos, no afectaría
al valor del coeficiente de fiabilidad ni al del error
típico de medida. Trate de extraer algunas implicaciones de este hecho para la teoría de los test.
14. Represente gráficamente en el eje de ordenadas los valores del error típico de medida correspondientes a los siguientes valores en abscisas del
coeficiente de fiabilidad: 0,00, 0,10, 0,20, 0,30, 0,40,
0,50, 0,60, 0,70, 0,80, 0,90, 1,00. Hágalo para valores de 4 y 16 de la varianza empírica. Comente el
resultado.
15. Se aplicó un test de rapidez motora a una
muestra de 1.000 sujetos, obteniéndose una media
de 90, una desviación típica de 10 y un coeficiente
de fiabilidad de 0,75. Estime por tres métodos distintos la puntuación verdadera de los sujetos que
obtuvieron una empírica de 80. NC: 99 %. Compare y comente los resultados obtenidos por los tres
métodos.
16. En la desigualdad de Chebychev, ¿cuánto
ha de valer K si deseamos hacer afirmaciones con
una p ⩾ 0,95?, ¿y para p ⩾ 0,75?
17. En una muestra de 2.000 sujetos el coeficiente de fiabilidad de un test fue 0,85, la varianza
64 y la media 60. Al NC del 90 %, ¿qué puntuación
verdadera se estimará a los sujetos que obtuvieron
una empírica de 70?
18. Se aplicó un test a una muestra de 1.500
sujetos. La varianza error resultó ser el 20 % de la
verdadera; la suma total de las puntuaciones, 60.000,
y la varianza empírica, 25. Al NC del 98 %, ¿qué
puntuación verdadera se estimará a los sujetos que
obtuvieron una empírica de 45?
19. La media de una muestra de 100 sujetos
en un test fue 20, y la suma de sus puntuaciones
empíricas al cuadrado, 50.000. Al NC del 95 %, se
pronosticó que la puntuación verdadera de un grupo de sujetos estaría entre 40 y 50. ¿Qué puntuación
© Ediciones Pirámide
/ 89
empírica habrán obtenido en el test ese grupo de
sujetos?
20. Si la pendiente de la recta de regresión V
sobre X es cero, ¿qué pronóstico se hará en V para
todo valor de X en puntuaciones directas, diferenciales y típicas?
21. Demuestre que el índice de fiabilidad siempre es mayor o igual que el coeficiente de fiabilidad.
22.
Demuestre que sX2 = sV2 + se2.
23.
Demuestre que r Xe =
1 – r XX ¢ .
24. Si un test es de velocidad pura y se calcula
su coeficiente de fiabilidad por el método de las dos
mitades, formadas estas por los ítems pares e impares, respectivamente, ¿cuánto valdría el coeficiente?
Razone adecuadamente.
25. Se aplicó un test de 25 ítems a una muestra de 100 sujetos, encontrándose un coeficiente
a = 0,42. Al NC del 95 %.
1. ¿Resulta estadísticamente significativo?
2.¿Son compatibles estos datos con la hipótesis de que el valor de a en la población es
0,53?
3.¿Entre qué valores se estima que estará el
valor de a en la población?
4.Al resolver una de las tres cuestiones anteriores, quedan automáticamente resueltas
las otras dos. ¿A cuál nos referimos? Razone adecuadamente.
26. Los errores de medida que afectan a las
puntuaciones obtenidas por un grupo de 200 sujetos en un test se distribuyen según la curva normal.
La mediana de estos errores es cero, y la suma de
sus cuadrados, 288. Calcular:
1. El error típico de medida del test.
2.La desviación típica de las puntuaciones
verdaderas, sabiendo que la varianza de las
puntuaciones empíricas es 4.
3.La correlación entre las puntuaciones verdaderas y las empíricas.
4. El coeficiente de fiabilidad del test.
90 /
Introducción a la Psicometría
27. Calcular la varianza empírica de un test en
el supuesto de que la desviación típica de las puntuaciones verdaderas fuese 4, la de los errores 2, y
que la correlación entre las puntuaciones verdaderas y los errores de medida fuese 0,50.
varianza de las puntuaciones verdaderas, 64, y la de
los errores, 9. ¿Cuál es el intervalo confidencial en
el que se puede afirmar que se encontrará la puntuación verdadera correspondiente a una empírica
directa de 33 puntos? (NC del 95 %).
28. Se aplicó un test a una muestra de 85 sujetos, obteniéndose que la suma de sus puntuaciones diferenciales al cuadrado fue 1.360, y la varianza de los errores, 9. ¿Cuánto vale el coeficiente de
fiabilidad de dicho test?
32. Se aplicó un test de inteligencia general a
una muestra de 100 sujetos, obteniéndose una media de 40 puntos y una varianza de 25. El índice de
fiabilidad del test para esa muestra fue de 0,80. ¿Entre qué valores se encontrará la puntuación diferencial verdadera de los sujetos que obtuvieron en el
test una puntuación empírica directa de 50 puntos?
(NC del 95 %).
29. En un test de inteligencia espacial, una
muestra de 200 sujetos obtuvo una media de 50, y
una desviación típica de los errores de medida igual
a 2, lo que supone un 20 % de la desviación típica
de las puntuaciones verdaderas.
1.¿Qué puntuación verdadera diferencial corresponderá a los sujetos que obtuvieron
una puntuación empírica directa de 70?
(NC: 95 %).
2.A los sujetos con una determinada puntuación empírica se les pronosticó que su puntuación verdadera estaría entre 10 y 20. ¿A
qué nivel de confianza se habrá hecho?
3.Al NC del 90 %, ¿qué error máximo estamos dispuestos a admitir que afecta a las
puntuaciones?
30. Se aplicó un test de fluidez verbal a un
grupo de 100 sujetos. A los que tenían una puntuación empírica diferencial de 4 puntos se les estimó
(NC del 95 %) que su puntuación diferencial verdadera estaría entre 6,92 y –0,92. Sabiendo que la media del grupo en el test fue de 8 puntos, calcular:
33. Se desea pronosticar las puntuaciones verdaderas de un test a partir de las empíricas. La pendiente de la recta de regresión de V/X en puntuaciones diferenciales es de 0,81. ¿Cuál será la puntuación
típica verdadera pronosticada a los sujetos que obtuvieron en el test una puntuación típica empírica
de 0,50?
34. La media de una muestra de alumnos de
tercer curso de psicología en un test de destreza manual fue de 50 puntos, y la desviación típica, de 15.
La desviación típica de las puntuaciones verdaderas
resultó ser el 85 % de la de las empíricas.
1. Calcular el coeficiente de fiabilidad del test.
2.¿Entre qué valores se estima que se encontrará la puntuación directa verdadera de los
alumnos que obtuvieron en el test una puntuación empírica directa de 55 puntos? (NC
del 99 %).
3.Si el test de destreza manual se aplicase a
una muestra con una varianza de 81 puntos,
¿cuál sería su coeficiente de fiabilidad?
1. El coeficiente de fiabilidad.
2. El error típico de medida.
3.La pendiente de la recta de regresión de
V/X en puntuaciones diferenciales.
4.La puntuación verdadera diferencial que se
estimará a los sujetos que obtuvieron en el
test una puntuación empírica directa de 10
puntos (NC del 96 %).
35. Una muestra de alumnos obtuvo en un
test de fluidez verbal una media de 20 y una desviación típica de 5, siendo la desviación típica de los
errores de medida el 30 % de la desviación típica de
las puntuaciones empíricas.
31. Se aplicó un test a una muestra aleatoria
de 1.000 estudiantes de la Universidad de Oviedo.
La media de sus puntuaciones en el test fue 25; la
1. Calcular el coeficiente e índice de fiabilidad.
2.Calcular la correlación entre las puntuaciones empíricas y los errores de medida.
© Ediciones Pirámide
Fiabilidad
36. En una muestra aleatoria de sujetos, un
test de inteligencia verbal tiene una media de 10,
una desviación típica de 3 y una varianza error de
0,81. Calcular:
1. El coeficiente de fiabilidad del test.
2. El error típico de medida del test.
3. La varianza de las puntuaciones verdaderas.
4.El coeficiente de fiabilidad que tendría ese
mismo test en una muestra con una varianza de 2.
37. Se aplicó un test a una muestra de 1.000
sujetos. El coeficiente de fiabilidad fue de 0,64 y la
desviación típica, de 2. ¿Cuál sería el coeficiente de
fiabilidad del test si se aplicase a una muestra de
500 sujetos con una varianza de 16?
38. Para la selección de personal de una empresa se aplicó un test de rapidez perceptiva a un
grupo de aspirantes, obteniéndose una desviación
típica de 25. Solo se admitió al 10 % de los aspirantes, en cuyo grupo el índice de fiabilidad del test
resultó ser de 0,90, y la desviación típica, de 5.
¿Cuál se estima que sería el coeficiente de fiabilidad
del test si se hubiese calculado en el grupo de aspirantes y no en el de admitidos?
39. Si la correlación entre las dos mitades paralelas de un test es de 0,85, ¿cuál es su índice de
fiabilidad?
40. Aplicada una escala de dogmatismo a una
muestra de sujetos, se obtuvo una varianza de las
puntuaciones empíricas de 10 y una varianza error
de 0,90. Calcular:
1. Su coeficiente de fiabilidad.
2. Su índice de fiabilidad.
3.El coeficiente de fiabilidad que tendría si se
duplicase su número de ítems.
41. La covarianza entre las puntuaciones pares e impares de un test fue de 14,4 y la varianza
total del test 60,8. Teniendo en cuenta que la varianza de las dos mitades (par e impar) fue la misma, ¿cuánto valdrá el coeficiente de fiabilidad del
test?
© Ediciones Pirámide
42.
/ 91
Sea:
Z=X+Y
W=X–Y
SZ2 = 380
2
= 20
SW
Calcular el índice de fiabilidad del test Z, teniendo en cuenta que X e Y son dos formas paralelas.
43. Sean X e Y dos test paralelos. La varianza
de las puntuaciones D = X – Y vale 73,28 y la varianza de S = X + Y es igual a 841,56.
1. Calcular el coeficiente de fiabilidad de S.
2. Calcular el coeficiente de fiabilidad de X e Y.
44. Una muestra de 1.000 niños obtuvo en
una prueba de pensamiento divergente una media
de 40 puntos y una desviación típica de 5, siendo la
desviación típica de las puntuaciones verdaderas el
90 % de la desviación típica de las puntuaciones empíricas.
1. Calcular el coeficiente de fiabilidad del test.
2.¿Entre qué valores se encontrará la puntuación directa verdadera de los niños que obtuvieron en el test una puntuación directa
empírica de 45 puntos? (NC: 99 %).
3.Calcular la fiabilidad del test si se le añadiesen 20 ítems paralelos a los 80 que poseía
inicialmente.
4.Si el test inicial (80 ítems) se aplica a una
muestra con una varianza de 49 puntos,
¿cuál sería su fiabilidad para este nuevo
grupo?
45. Si se desea construir un test con un coeficiente de fiabilidad de 0,90 y para ello se dispone de
dos test apropiados, uno con 5 ítems y un coeficiente de fiabilidad de 0,50, y otro con 10 ítems y
un coeficiente de fiabilidad de 0,60, ¿cuál de ellos
elegiríamos para alcanzar dicho coeficiente de fiabilidad con el menor número de ítems?
46. La desviación típica de los errores en un
test de 150 ítems es el 40 % de la desviación típica
de las puntuaciones empíricas.
92 /
Introducción a la Psicometría
1.¿Cuál será el coeficiente de fiabilidad del
test si se le suprimen 60 de sus ítems?
2.¿Cuántos de los 150 ítems originales habría
que retener para lograr una fiabilidad de
0,70?
49. A una muestra de 100 sujetos se le aplicó
un test de independencia de campo. La suma de los
cuadrados de los errores de medida fue 256, distribuyéndose dichos errores aleatorios según la curva
normal, con media cero.
47. Para investigar el área verbal, tanto su aspecto productivo (fluidez) como comprensivo (comprensión), se aplicó un test de fluidez verbal (FV) y
otro de comprensión verbal (CV) a una muestra de
500 sujetos. En el caso de la FV, la varianza verdadera fue el 85 % de la empírica, y en el de la CV, el
90 %.
1. Calcular el error típico de medida del test.
2.Teniendo en cuenta que la varianza de las
puntuaciones empíricas en el test fue 4, calcular la desviación típica de las puntuaciones verdaderas.
3. Calcular el coeficiente de fiabilidad del test.
4.¿Cuánto valdrá la correlación entre las puntuaciones verdaderas y las empíricas?
5.Administrado el mismo test a otra muestra
de sujetos, se obtuvo una desviación típica
de 8. ¿Qué coeficiente de fiabilidad cabe esperar en esta segunda muestra?
1.Teniendo en cuenta que el coeficiente de fiabilidad de la CV se calculó por el método
de las dos mitades, ¿cuál fue la correlación
entre ambas mitades?
2.Al test de CV que constaba originalmente
de 120 ítems se le suprimieron 40 por considerarlo muy fatigoso para los sujetos;
¿cuánto valdrá su fiabilidad tras acortarlo?
3.¿Cuántos ítems habrá que suprimirle al test
de FV, que constaba de 100, si nos conformamos con una fiabilidad de 0,80?
4.Si ambos test tuviesen el mismo número de
ítems, ¿cuál sería más fiable?
5.A la hora de vender el test de FV a una
institución, esta impone dos condiciones: a)
que el test tenga únicamente 60 ítems y b)
que su fiabilidad no sea inferior a 0,82 para
muestras con una desviación típica en el
test no superior a 15. ¿En qué condiciones
cumple el test de FV los requisitos exigidos?
(SFV = 10).
48. Un test que consta de 40 ítems paralelos
tiene una varianza global de 25, y el coeficiente de
fiabilidad de cada ítem es 0,12.
1. Calcular el coeficiente de fiabilidad del test.
2.Calcular la correlación entre las puntuaciones empíricas y los errores de medida.
3.Al NC del 95 %, ¿qué error máximo afectará a las puntuaciones verdaderas pronosticadas?
4.Si la fiabilidad de cada ítem fuese 0,15, ¿qué
proporción representaría la varianza verdadera del test respecto de la empírica?
50. Un test de inteligencia general se aplicó a
una muestra de 500 sujetos, obteniéndose una varianza de las puntuaciones empíricas de 882. Dividido el test en dos mitades paralelas, B y C, se encontró entre ellas una correlación de 0,96.
1. Calcular el coeficiente de fiabilidad del test.
2.Sabiendo que la media del test fue 50, ¿qué
puntuación empírica directa habrán obtenido los sujetos a los que se les ha pronosticado una puntuación directa verdadera
comprendida entre 62,98 y 46,82?
3. Calcular la varianza empírica de B.
4. Calcular la varianza verdadera de C.
5.¿Cuál sería el coeficiente de fiabilidad del
test si se aplicase a un grupo de sujetos cuya
varianza en dicho test fuese de 64?
51. La media de una muestra de 100 sujetos
en una escala de neuroticismo de 80 ítems es 20, la
desviación típica de las puntuaciones verdaderas es
el 90 % de la de las empíricas y la media de los errores cuadráticos de medida vale 9. Se sabe además
que, al nivel de confianza del 95 %, se pronosticó
que la puntuación verdadera correspondiente a
cierta empírica estaría entre 9 y 21.
1.Calcular el índice y el coeficiente de fiabilidad.
© Ediciones Pirámide
Fiabilidad
/ 93
2. Calcular el error típico de medida.
3.Calcular la desviación típica de las puntuaciones empíricas.
4.Calcular la puntuación empírica directa, diferencial y típica cuya verdadera se estima
que estará entre 9 y 21.
5.¿Cuál sería el coeficiente de fiabilidad de la
escala si el número de ítems se redujese a la
mitad?
6.¿Cuántos ítems tendría que tener la escala
para que el coeficiente de fiabilidad fuese de
0,94?
7.¿Cuál sería la fiabilidad de la escala en otra
muestra con desviación típica doble?
formadas por los ítems pares e impares, respectivamente, resultó ser 44,1. Calcular:
52. La varianza de las diferencias entre las
puntuaciones pares e impares de un test es 36, y la
varianza empírica del test total, 100. ¿Cuál es el índice de fiabilidad del test?
1.Calcular la fiabilidad por el método de Rulon.
2.Calcular la fiabilidad por el método de
Guttman-Flanagan.
3.Calcular la fiabilidad por el método de las
dos mitades.
4.Calcular a, KR20 y KR21 y comparar los resultados.
1. El coeficiente de fiabilidad del test.
2.La correlación entre las dos mitades del
test.
3. Las varianzas de la mitad par e impar.
54. Una escala formada por 10 ítems de razonamiento espacial se aplicó a una muestra de ocho
sujetos. Los resultados aparecen en la tabla adjunta,
donde el 1 significa que el sujeto superó el ítem y el
0 que lo falló.
53. La media de un test de 100 ítems en una
muestra de 400 sujetos fue 45, la desviación típica
14, y la covarianza entre las dos mitades paralelas,
Ítems
Sujetos
A
B
C
D
E
F
G
H
1
2
3
4
5
6
7
8
9
10
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
1
1
1
1
0
1
0
1
0
0
1
1
0
0
0
55. Se aplicó un test de 10 ítems a una muestra de sujetos, obteniéndose los siguientes resultados: media 52,625, varianza 345,11, varianza de la
mitad formada por los ítems pares 87,03, varianza
de los impares 88,87. Calcular:
1. El coeficiente de fiabilidad del test.
2. El índice de fiabilidad del test.
3.La desviación típica de los errores de medida del test.
© Ediciones Pirámide
4.La correlación entre las puntuaciones empíricas y los errores de medida.
5. La varianza de las puntuaciones verdaderas.
6.El intervalo confidencial en el que se puede
afirmar, al NC del 95 %, que se encuentra la
puntuación típica verdadera de los sujetos
que obtuvieron en el test una puntuación
empírica directa de 60 puntos.
7.Si la suma de las varianzas de los 10 ítems
fuese 47,6, ¿cuánto valdría el coeficiente a?
94 /
Introducción a la Psicometría
8.Calcular el valor de la covarianza media entre los ítems del test.
3.Calcule la covarianza media de los ítems de B.
4. Calcule la fiabilidad del test global.
56. Un test de tres ítems se aplicó a un grupo
de cuatro sujetos, obteniéndose los datos de la tabla
adjunta.
Sujetos
Ítems
Sujetos
A
B
C
D
1
2
3
1
0
1
0
0
1
0
0
1
1
1
0
Calcule el coeficiente de fiabilidad por el método que considere más adecuado. Justifique la elección y comente el resultado.
57. Una batería de rendimiento escolar consta
de tres pruebas: geografía, lengua y matemáticas.
Aplicada la batería a una amplia muestra de escolares asturianos, se obtuvieron varianzas empíricas
de 10, 12 y 16, respectivamente, covarianzas de
Sgl = 2, Sgm = 1,5 y S1m = 2,5, y coeficiente de fiabilidad de 0,80, 0,90 y 0,90, respectivamente.
1.Calcular el coeficiente de fiabilidad de la batería.
2.Calcule el coeficiente a de la batería y compárelo con el resultado del apartado anterior. Trate de explicar la razón de las discrepancias entre ambos, si las hubiere.
3.¿Cuál sería la fiabilidad de la batería para
un extraño colegio que ponderase las puntuaciones en matemáticas con un peso de 2
y las de geografía y lengua con –1?
58. En una investigación sobre comprensión
verbal, se aplicó a una muestra de cinco sujetos un
test compuesto por los subtest A y B. Los resultados aparecen en la tabla adjunta.
1.Calcule el coeficiente de fiabilidad del subtest A por el método de Rulon.
2.Calcule la fiabilidad del subtest B en función de la consistencia interna de sus ítems.
A
B
C
D
E
Subtest A
Subtest B
Ítems
Ítems
1
2
3
4
1
2
3
0
1
0
0
1
0
0
1
0
1
0
0
1
0
1
0
1
1
1
1
1
1
1
0
0
1
1
0
0
1
1
1
0
0
0
59. Imagine que está trabajando con el test de
destreza manual «Tablero de Clavijas de Purdue»,
consistente en que los sujetos tienen que introducir
el mayor número posible de clavijas en un tablero
cuyas ranuras se ajustan con precisión a las clavijas.
La puntuación asignada a los sujetos es el número
de clavijas colocadas.
1.Describa concisa y claramente los pasos
que seguiría para obtener el coeficiente de
fiabilidad del test. Justificar el tipo de coeficiente elegido.
2.En el supuesto de que el test resultase con
un elevado coeficiente de fiabilidad, ¿qué
nos garantizaría exactamente acerca de la
medida de la destreza manual?
3.Si los clientes estuviesen interesados en
­conocer el coeficiente a del test, ¿cómo lo
calcularía? Razone adecuadamente la respuesta.
60. Se aplicó un test de cinco ítems a una
muestra de cuatro sujetos obteniéndose los datos de
la tabla adjunta, donde 1 significa acierto y 0 fallo.
Ítems
Sujetos
S1
S2
S3
S4
1
2
3
4
5
1
1
1
1
1
0
0
0
1
1
1
0
1
1
0
0
0
1
0
0
© Ediciones Pirámide
Fiabilidad
1.Calcule el coeficiente a y comente el resultado.
2.Al nivel de confianza del 95 %, ¿puede afirmarse que a es estadísticamente significa­
tivo?
3.Según estos datos, y al nivel de confianza
del 95 %, ¿cuál se estima que será el valor de
a en la población?
4.Calcule un estimador insesgado de a y trate
de dar una explicación del extraño resultado encontrado, si es que lo es.
61. En la tabla adjunta aparecen las puntuaciones obtenidas por cinco sujetos en dos formas
paralelas de un test X que consta de 10 ítems.
X
X′
4
3
0
2
1
5
2
1
3
1
62. En la matriz adjunta aparecen las puntuaciones de cinco sujetos en dos test paralelos A y A′.
A
B
C
D
E
Subtest A
Subtest A′
Ítems
Ítems
1
2
3
4
1
2
3
4
1
1
1
1
0
0
1
1
1
0
0
0
1
1
0
0
0
0
1
0
0
1
1
1
1
0
1
1
1
0
0
0
1
1
0
0
0
1
0
0
© Ediciones Pirámide
1.Calcule el coeficiente de fiabilidad del test A
y comente el resultado.
2.¿Qué puntuación verdadera se estima que
obtendrán en el test A aquellos sujetos que
obtengan una empírica directa de 3? Nivel
de confianza: 92 %.
3.Calcule el coeficiente a de cada una de las
dos formas paralelas (A y A′) y compruebe
si la diferencia entre ambos coeficientes resulta estadísticamente significativa. NC del
95 %.
4.¿Cuál sería el coeficiente de fiabilidad del
test formado por el A y el A′ juntos?
5.Compruebe que, efectivamente, tal como se
dice en el enunciado, el test A y el A′ son
paralelos.
63. Se aplicó un test de inteligencia verbal de
40 ítems a una muestra de cinco sujetos: A, B, C,
D, E. Las puntuaciones de cada sujeto en la mitad
par e impar aparecen entre paréntesis: A(8, 10),
B(6, 4), C(0, 2), D(4, 6), E(2, 2). El primer número
del paréntesis corresponde a la puntuación del sujeto en la mitad par, y el segundo, a la mitad impar.
1.Calcule el coeficiente de fiabilidad del test.
Comente el resultado.
2.¿Cuántos ítems habría que añadir al test
para que alcanzase una fiabilidad de 0,90?
3.Calcule los errores de sustitución para los
cinco sujetos.
4.Calcule los errores de predicción para los
cinco sujetos.
Sujetos
/ 95
1.Calcular el coeficiente de fiabilidad del test
por el método de las dos mitades e interpretar el resultado.
2. Calcular el error típico de medida.
3.Elaborar la recta de regresión en puntuaciones directas, diferenciales y típicas para pronosticar las puntuaciones verdaderas a partir de las empíricas.
4.Al NC del 98 %, ¿qué puntuación verdadera
se estimará a los sujetos que obtuvieron una
empírica de 5?
5.¿Cuántos ítems habría que retener si nos
conformásemos con que el test tuviese un
coeficiente de fiabilidad de 0,80?
6.Haga una valoración razonada de la consistencia interna del test de inteligencia
verbal.
7.Si el test de inteligencia verbal se aplicase a
una muestra de sujetos cuya varianza en el
test fuese l00, ¿cuál sería el coeficiente de
fiabilidad en esas condiciones?
8.Calcular el coeficiente de fiabilidad del test
original de inteligencia verbal por el método de Rulon.
96 /
Introducción a la Psicometría
9.A la vista de los datos del enunciado general, razone adecuadamente acerca de si el
test de inteligencia verbal es de velocidad,
de potencia o mixto.
10.¿Qué puntuaciones tendrían que haber sacado los cinco sujetos en la segunda mitad
del test para que la correlación con la primera fuese perfecta? Justifique la respuesta
adecuadamente.
64. Se aplicaron dos test de razonamiento numérico a una muestra de cinco sujetos, obteniéndose los
resultados que aparecen en la tabla adjunta. El primer
test constaba de tres ítems, y el segundo, de cuatro.
Test 1
Sujetos
A
B
C
D
E
Test 2
1
2
3
1
2
3
4
1
1
1
0
1
1
1
1
0
0
1
0
0
0
0
1
1
1
1
0
1
1
1
0
0
1
1
0
0
0
1
0
0
0
0
1.Al NC del 95 %, ¿puede afirmarse que la
consistencia interna del segundo test es superior a la del primero?
2.Calcular el coeficiente a de la batería formada por ambos test.
3.Al NC del 95 %, ¿entre qué valores se estima que estará el valor paramétrico del coeficiente a de la batería?
4.Al NC del 95 %, ¿puede afirmarse que el
coeficiente a de la batería es estadísticamente significativo?
5.Si las puntuaciones de los sujetos en el primer test se ponderasen con un peso de 3, y
las del segundo con un peso de 2, calcular
los efectos de esas ponderaciones sobre: 1)
la varianza de la batería formada por los
dos test; 2) la correlación entre los dos test,
y 3) la covarianza entre los dos test.
65. En la tabla adjunta aparecen los datos obtenidos al aplicar un test de inteligencia espacial a
una muestra de cinco sujetos en dos ocasiones, con
un período intermedio de una semana.
Sujetos
A
B
C
D
E
Test
1.a
2.a
6
8
5
4
2
8
6
5
2
4
1.Calcule el coeficiente de fiabilidad del test.
Comente el resultado.
2.Al nivel de confianza del 92 %, ¿entre qué
valores se estima que se encontrará la puntuación verdadera en el test de los sujetos
que hayan obtenido una puntuación empírica de 7 puntos?
3.Si se desean hacer los pronósticos sobre las
puntuaciones verdaderas con un error
máximo que no exceda la unidad, ¿a qué
nivel de confianza deberíamos trabajar? Comente el resultado.
4.Teniendo en cuenta que la covarianza media entre los cuatro ítems del test fue de
0,10, ¿cuál es el coeficiente a del test?
66. En el manual editado para los usuarios de
cierto test, el editor recomienda que las puntuaciones de los sujetos se les comuniquen en forma de
una banda comprendida entre un error típico de
medida por encima y por debajo de la puntuación
empírica (X ± se).
¿A qué nivel de confianza se están comunicando
las puntuaciones a los usuarios?
67. Se aplicó un test de razonamiento verbal
de 20 ítems a una muestra de 16 personas. Los resultados aparecen en la tabla adjunta, en la que 1
significa acierto en el ítem y 0 error.
1.Calcular el coeficiente de fiabilidad del test
mediante la fórmula de Rulon.
2. Calcular el error típico de medida del test.
3.Calcular la puntuación verdadera que se estimará a una persona que obtuvo en el test
una empírica de 12. Utilizar el error típico
de medida para la estimación. NC 95 %.
4.Divididas las puntuaciones del test en cuatro niveles, calcular el error típico de medida para cada uno de ellos.
© Ediciones Pirámide
Fiabilidad
Sujetos
A
B
C
D
E
F
G
H
I
J
K
L
M
N
Ñ
O
/ 97
Ítems
1
1
1
1
1
1
1
0
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
0
0
1
1
0
1
1
1
0
1
1
1
1
1
1
1
0
0
1
1
0
1
1
1
1
1
1
1
1
0
0
1
0
0
1
1
0
1
1
1
0
1
1
1
1
1
0
0
0
0
1
1
0
1
1
1
1
1
1
1
1
0
0
5.Utilizando un error típico de medida del
nivel correspondiente, estimar la puntuación verdadera de las personas con una
puntuación empírica de 12 puntos en el
test. NC 95 %.
6.Compare los resultados obtenidos en los
apartados 3 y 5 y explique la razón de las
diferencias, si las hubiere.
7.¿A qué nivel mide el test con menor precisión? Razone la respuesta.
8.Se estableció un punto de corte en la puntuación 16 para clasificar a los exami­
nados en aprobados y suspensos. Se considera que un intervalo vital para una
clasificación apropiada viene dado por ±2
unidades en torno al punto de corte. ¿Cuál
es el error típico de medida para dicho intervalo?
9.¿Cuál es la probabilidad de que una persona con una puntuación verdadera de 15
puntos en el test supere el punto de corte
establecido en 16 puntos? Se asume que
los errores de medida se distribuyen según
la curva normal en torno a la puntuación
verdadera.
10.Bajo los mismos supuestos del apartado
anterior, ¿cuál es la probabilidad de que
una persona con una puntuación verdadera de 18 puntos no supere el punto de corte establecido en 16 puntos?
© Ediciones Pirámide
0
0
1
1
0
0
1
0
1
0
1
1
1
0
0
0
1
0
1
1
1
0
1
1
1
0
1
1
1
0
0
0
1
0
0
0
1
0
1
0
0
0
1
1
1
0
0
0
1
0
1
1
1
0
1
0
0
0
1
1
1
0
0
0
1
0
1
1
1
0
1
0
0
0
1
1
1
0
0
0
1
0
1
1
1
0
1
0
1
0
1
1
0
0
0
0
0
0
0
1
1
0
0
0
1
0
1
1
0
0
0
0
0
0
1
1
1
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
68. Siendo e el error del test global y e1 y e2 los
errores de cada una de las mitades, demostrar que
la varianza de los errores globales del test es igual
a la suma de las varianzas de los errores de cada
una de las dos mitades: se2 = s 2(e1 – e2) = se21 + se22.
69. En la tabla 2.8 aparecen las puntuaciones
de 20 personas en dos formas paralelas de un test
referido al criterio. Dichas formas se utilizan para
clasificar a las personas en tres categorías: baja
(puntuaciones 0-3), media (puntuaciones 4-7) y alta
(puntuaciones 8-10). Elabore la tabla correspondiente y calcule los coeficientes de fiabilidad po y k.
70. Calcule el coeficiente de fiabilidad clásico
de formas paralelas para los datos de la tabla 2.8.
Compare su valor con el de los coeficientes po y
kappa y comente el resultado.
71. Calcule la correlación de Pearson (coeficiente f) para los datos de la tabla 2.9. Compare su
valor con el de los coeficientes po, kappa y rxx′ del
ejercicio anterior. Comente el resultado.
72. Calcule el valor del coeficiente de Livingston cuando se dispone de dos formas paralelas. Utilice los datos de la tabla 2.8.
73. En la tabla adjunta aparecen subrayadas
las alternativas erróneas que tres jueces consideran
que serían detectadas por una persona con los co-
98 /
Introducción a la Psicometría
nocimientos mínimos requeridos para superar la
materia. Cada ítem tiene cinco alternativas, apareciendo con un asterisco la correcta.
1.Calcule el valor esperado asignado al test
por cada juez.
2.Establezca el punto de corte según el método de Nedelsky, sin corregir los efectos del
azar y corrigiéndolos.
Ítems
Juez A
Juez B
Juez C
1
2
3
4
5
a*bcde
ab*cde
ab*cde
abcd*e
abc*de
a* bcde
ab*cde
ab*cde
abcd*e
abc*de
a*bcde
ab*cde
ab*cde
abcd*e
abc*de
74. En la tabla adjunta aparecen las probabilidades asignadas por cuatro jueces de que los ítems
de un test sean superados por personas con unos
conocimientos mínimos exigibles. Todos los ítems
son de respuesta abierta.
Ítems
Juez A
Juez B
Juez C
Juez D
1
2
3
4
5
6
0,8
0,9
0,6
0,5
0,4
0,3
1,0
0,8
0,5
0,5
0,4
0,2
0,9
1,0
0,5
0,4
0,4
0,3
0,8
0,7
0,4
0,3
0,4
0,2
1.Obtenga mediante el método de Angoff los
puntos de corte correspondientes a cada juez.
2.Calcule el punto de corte del test, teniendo
en cuenta las opiniones de todos los jueces.
Justifique el estadístico elegido.
3.Según los datos de la tabla, ¿cuál de los jueces considera más fácil el test? Justifique la
respuesta.
4.Teniendo en cuenta la opinión de los cuatro
jueces, ¿cuál es el ítem más difícil del test?
Justifique la respuesta.
75. Tras analizarlos conjuntamente, los cuatro
jueces del ejercicio 74 llegaron a un consenso para
clasificar los seis ítems, siguiendo el método de
Ebel, del siguiente modo:
Dificultad
Media
Ítem 1
Difícil
Ítem 2
Ítems 3 y 4 Media
Fácil
Ítem 5
Difícil
Ítem 6
Relevancia
Fundamental
Fundamental
Importante
Aceptable
Aceptable
Superan
70%
40%
80%
50%
30%
1.Elabore la tabla de 12 categorías sugerida por
Ebel y calcule el punto de corte del test por
el método propuesto por este mismo autor.
2.Observe los juicios emitidos individualmente por los jueces en el ejercicio 74 y los generados por consenso por esos mismos jueces en este ejercicio. Analice las diferencias.
Acudiendo a sus conocimientos de psicología social, trate de profundizar en el estudio
de la incidencia del número de jueces y de
la forma de elaboración de los juicios (individual/grupo) sobre los juicios emitidos.
SOLUCIONES
sX2 = sV2 + 2se2 + 2re1e2 se2
SX2 = 16; SXV = 10
SX2 = 12; SXV = 10
Sí
FV: E, D, A, C, B
CV: D, B, A, C, E
3. FV: rVe = –0,85. No se cumple
CV: rVe = –0,21. No se cumple
3.1.
2.
3.
4.1.
2.
4.
5.
5.1.
2.
6.1.
FV: S
X2 = 1,99; SV2 = 6,56
Se2 = 2,96. No se cumple
CV: SX2 = 2,96; SV2 = 1,76
Se2 = 1,99. No se cumple
Incorrecto
No: Z = 9,43 > 1,96
0,83
No: T = –15,31 < –2.617
© Ediciones Pirámide
Fiabilidad
7.
8.
9.
10.
11.
12.
0,75; 0,866
0,90
0,80
0,50
0,45
0,5625; 0,75; 0,99; 0,94;
0,50; 0,39
14. rxx′
Se1
Se2
0,00
2,000
4,000
0,10
1,897
3,795
0,20
1,788
3,577
0,30
1,673
3,346
0,40
1,549
3,098
0,50
1,414
2,828
0,60
1,265
2,529
0,70
1,095
2,191
0,80
0,894
1,788
0,90
0,632
1,265
1,00
0,000
0,000
30 ⩽ V ⩽ 130
15.
67,10 ⩽ V ⩽ 92,90
71,33 ⩽ V ⩽ 93,67
—
√ 20; 2,00
16.
17.
63,82 ⩽ V ⩽ 73,18
39,77 ⩽ V ⩽ 48,53
18.
19.
46,88
La media, 0,0
20.
24.
1
25.1. Sí: F = 1,724 > 1,27
2. Sí: F = 0,81 < 1,27
3. 0,2634 ⩽ a ⩽ 0,5592
4. 3.a
26.1. 1,20
2. 1,60
3. 0,80
4. 0,64
27.
28
28.
0,4375
29.1. 15,30 ⩽ V ⩽ 23,10
2. 98,8 %
3. 3,26
30.1. 0,75
2. 2,31
3. 0,75
4. –2,60 ⩽ V ⩽ 5,60
31.
26,506 ⩽ V ⩽ 37,526
32.
1,696 ⩽ V ⩽ 11,104
33.
0,45
34.1. 0,7225
© Ediciones Pirámide
2.
3.
35.1.
2.
36.1.
2.
3.
4.
37.
38.
39.
40.1.
2.
3.
41.
42.1.
43.1.
2.
44.1.
2.
3.
4.
45.
46.1.
2.
47.1.
2.
3.
4.
5.
48.1.
2.
3.
4.
49.1.
2.
3.
4.
5.
50.1.
2.
3.
4.
5.
51.1.
2.
3.
4.
36,27 ⩽ V ⩽ 70,95
0,23
0,91; 0,95
0,30
0,91
0,90
8,19
0,595
0,91
0,99
0,958
0,91
0,95
0,953
0,947
0,97
0,91
0,84
0,81
38,993 ⩽ V ⩽ 49,107
0,84
0,90
N1 = 45, N2 = 60
Se elige el primero
0,759
67
0,82
0,85
29
CV
11,30 ⩽ SX ⩽ 15
0,845
0,39
3,53
0,87
1,60
1,20
0,36
0,60
0,96
0,979
55
225
216
0,71
0,90; 0,81
3
6,88
13,83; –6,17; –0,897
/ 99
100 /
Introducción a la Psicometría
5.
6.
7.
52.
53.1.
2.
3.
54.1.
2.
3.
4.
55.1.
2.
3.
4.
5.
6.
7.
8.
56.1.
57.1.
2.
3.
58.1.
2.
3.
4.
59.1.
2.
3.
60.1.
2.
3.
4.
61.1.
2.
3.
4.
62.1.
2.
3.
4.
5.
0,68
294
0,95
0,80
0,90
0,82
53,78
0,59
0,59
0,68
0,43; 0,43; 0,16
0,98
0,989
2,62
0,14
338,24
0,12 ⩽ ZV ⩽ 0,66
0,95
3,30
0,25
0,904
0,36
0,87
0,88
0,75
0,12
0,73
Test-retest, formas paralelas
Error de medida bajo
No calculable
0,648
F = 2,84; F0,975(3,12) = 4,47;
F0,025(3,12) = 0,069; No
(–0,57 ⩽ a ⩽ 0,975)
0,88
rxx′ = 0,85
6
–1, +1, –1, –1, 0
–0,08, 1,32, –0,88, –0,48, 0,12
0,80
(1,82 ⩽ V ⩽ 3,78)
aA = 0,80, aA′ = 0,80
0,89
Sí: medias y varianzas iguales
63. 1. 0,92
2. 1,58
3. V ′ = 0,92X + 0,704
V ′ = 0,92x
ZV ′ = 0,959ZX
4. 1,764 ⩽ V ⩽ 8,844
5. 14
6. rpi = 0,85
7. 0,975
8. 0,92
9. Mixto/potencia
10.Cualquier transformación lineal de la
primera
64.1. No: 0,685 < 2,353
2. 0,875
3. 0,577 ⩽ a ⩽ 0,985
4. Sí: (0,577 ⩽ a ⩽ 0,985),
no incluye a = 0
5. 1) 31,677; 2) 0,83; 3) 7,179
65.1. 0,60
2. 4,49 ⩽ V ⩽ 7,91
3. 69,22 %
4. a = 0,40
66.
68,26 %
67. 1. 0,93
2. 1,45
3. 9,16 ⩽ V ⩽ 14,84
4. 0,71; 0,87; 0,71; 1,87
5. 10,61 ⩽ V ⩽ 13,39
6. se3 < se
7. 4
8. 1,78
9. 0,29
10. 0,13
po = 0,65; K = 0,45
69.
70.
rxy = 0,75
71.
f = 0,68
72.
0,83
73.1. 2,33; 2,08; 1,83
2. 2,08; 1,35
74.1. A = 3,5; B = 3,4; C = 3,5; D = 2,8
2. PC = 3,3
3. Jueces A y C
4. Ítem 6
75.1. PC = 3,5
© Ediciones Pirámide
Validez
1. CONCEPTO
Un test constituye una muestra de conducta de
una persona recogida de forma objetiva y estandarizada. Los psicólogos y otros profesionales recogen
esas muestras de conducta porque a partir de ellas
pueden hacer inferencias fundadas acerca del comportamiento y funcionamiento cognitivo de las personas evaluadas. La primera condición para que un
test sirva de base para llevar a cabo inferencias de
interés es que la muestra de conducta recogida sea
precisa, es decir, que los errores cometidos en la medición sean aceptables, pues ninguna medición científica está exenta totalmente de error. Como se ha
visto en los apartados precedentes, la tecnología
psicométrica desarrollada para evaluar el grado de
precisión de las mediciones realizadas con los test
se denomina «fiabilidad».
La tecnología psicométrica encargada de mostrar que las inferencias hechas acerca del funcionamiento de las personas a partir de test son correctas
es lo que denominamos «validez». Esta distinción
entre fiabilidad y validez es razonable y útil, y se
acepta sin mayor problema entre los especialistas.
Ahora bien, tampoco sería descabellado considerar
la fiabilidad como una primera fase del proceso de
validación de un test, pues es difícil de imaginar que
se puedan extraer inferencias enjundiosas a partir
de test poco precisos. La cuestión central que nos
ocupa en este apartado es clara: ¿de qué modo se
comprueba que las inferencias hechas a partir de un
test son correctas? En otras palabras, ¿cómo se procede para llevar a cabo el proceso de validación de
las inferencias hechas a partir de las puntuaciones
de un test?
© Ediciones Pirámide
3
Tiene que quedar muy claro desde el principio
que, aunque se hable con frecuencia de validar un
test, en sentido estricto no es el test lo que se valida,
sino las inferencias que se hacen a partir de sus puntuaciones sobre determinados aspectos de la conducta de las personas. Por tanto, el resultado final
de un proceso de validación no es llegar a decir de
forma simplista que tal test es válido; las que son o
no válidas son las inferencias hechas a partir del test
con un determinado fin. Esto es natural, pues a partir de un test pueden hacerse inferencias de muy diverso tipo, de las cuales unas serán válidas y otras
no; el proceso de validación consistirá precisamente
en aportar datos y argumentos (evidencias) que permitan saber cuáles de las inferencias están fundadas,
cuáles son válidas. ¿Cómo se aportan esos datos validantes? Es decir, ¿cómo se allegan la evidencia empírica y teórica necesarias para poder afirmar que
determinadas inferencias realizadas son válidas?
Responder a estos interrogantes es lo que constituye
el meollo de la validez. Las respuestas, como no podía ser de otro modo, han ido variando a lo largo
de la historia de la psicometría. Esta evolución queda muy bien reflejada en la literatura especializada,
sobre todo en las sucesivas ediciones del manual
clásico sobre medición psicológica y educativa editado sucesivamente por Lindquist (1951), Thorndike (1971), Linn (1989) y Brennan (2006), y, fundamentalmente, en las sucesivas ediciones de los
estándares sobre los test publicados por la AERA,
APA y NCME en 1954, 1966, 1974, 1985, 1999 y
2014, los cuales, en cierto modo, representan el consenso psicométrico oficial de cada época.
El concepto de validez, y por ende las prácticas
de validación, han ido evolucionando desde unos
102 /
Introducción a la Psicometría
inicios marcadamente empíricos y operacionales a
la situación actual, en la que se entiende la validez
de una forma más amplia y comprensiva. Así, cuando Gulliksen (1950) sintetiza en su excelente manual lo esencial de la teoría clásica de los test de
entonces, el problema de la validez se reduce a la
correlación entre el test y el criterio a predecir. De
modo que la tecnología psicométrica de la validez
se centraba en el estudio de las correlaciones entre
el test y los criterios a predecir, y las variables que
modulaban esta relación, tales como la variabilidad
de la muestra utilizada, la longitud del test, la fiabilidad del test y del criterio, o determinadas covariables. Nada que objetar; esta tecnología clásica
sigue vigente en la actualidad. Lo que ocurre es que
además de los datos relativos a la correlación testcriterio, el concepto de validez se ha ido ampliando
paulatinamente. El trabajo pionero de Cronbach y
Meehl (1955) sobre la validez de constructo alerta
a teóricos, constructores y usuarios acerca de la importancia de ocuparse de la rigurosidad y entidad
del constructo medido, además, obviamente, de trabajar con las correlaciones test-criterio. A partir de
entonces, durante muchos años las vías esenciales
para recoger datos en el proceso de validación de
los test fueron el análisis de los contenidos de la
prueba, las correlaciones test-criterio y la entidad
de los constructos, lo que dio lugar a que se hablase de la santísisma trinidad de la validez: validez de
contenido, validez de criterio y validez de constructo. Los estándares de 1985 ya dejan bien claro que,
si bien esas tres vías de recogida de datos son legítimas, la validez es solo una y no hay razón alguna
para que no se obtengan datos por cualquier otro
camino complementario. En las propias palabras de
los estándares de 1985 en su página 9: «Tradicionalmente las distintas formas de acumular evidencias
sobre la validez se han agrupado en categorías denominadas validez de contenido, validez de criterio
y validez de constructo. Estas categorías son útiles,
como lo son otras categorizaciones más sofisticadas
(por ejemplo dividir la validez de criterio en concurrente y predictiva), pero el uso de estas categorías
no quiere decir que haya distintos tipos de validez, o
que una estrategia determinada de validación sea
mejor para cada inferencia específica o uso del test.
No son posibles distinciones rigurosas entre cada
categoría. Por ejemplo, datos relativos a la validez
de contenido o a la validez de criterio son también
de sumo interés para la validez de constructo. Una
validación ideal incluye diferentes tipos de datos
pertenecientes a las distintas categorías mencionadas». Ese es el planteamiento dominante sobre validez a partir de los años ochenta, que en el fondo
no es otra cosa que subsumir los planteamientos
sobre validez en el marco más general de la comprobación de hipótesis científicas. Validar las inferencias hechas a partir de las puntuaciones de los
test es un caso particular de la validación de modelos e hipótesis científicas. En suma, el proceso de
validación es unitario, y no hay tipos de validez; lo
que hay son distintas vías y estrategias para aportar
datos empíricos y teóricos (evidencias) que apoyen
la pertinencia de las inferencias hechas a partir de
las puntuaciones de las personas en los test. A continuación se comentan las estrategias más habituales para obtener evidencias empíricas en los procesos de validación.
1.1. Evidencias de validez
La psicometría ha conocido grandes avances en
todas las ramas y la validez no es una excepción, si
bien las novedades en este campo no han sido tan
espectaculares como en otros. Como ya se ha señalado, se mantiene la filosofía general de la validez
como un planteamiento unitario (Messick, 1980,
1988, 1989), aunque se utilicen distintas aproximaciones para obtener datos relevantes para la validación de las inferencias. Validar un test puede considerarse un caso particular de la comprobación de
hipótesis científicas, pero no existe un método científico claro y universal (Weinberg, 2003) que aplicado de forma algorítmica dé solución a todos los
problemas, lo cual tampoco quiere decir que todo
vale. Este es un planteamiento correcto y teóricamente justificado, pero, como señala Brennan
(1998, 2001), si bien la noción de una validez unitaria es muy sugerente teóricamente, hasta la fecha no
ha mostrado una gran utilidad práctica de cara a
los procesos reales de validación. Los constructores
y usuarios de los test reclaman reglas más específicas que les permitan allegar datos que les ayuden a
validar sus inferencias. Las tres vías clásicas para la
recogida de datos, a saber, contenidos, relaciones
con el criterio y constructo, siguen siendo feraces,
por supuesto, pero algunas otras se han ido aña© Ediciones Pirámide
Validez
diendo en este proceso de construcción de la validez. Repasamos brevemente a continuación las más
habituales, siguiendo aquellas expresamente citadas
en los estándares (AERA, APA y NCME, 1999,
2014), pero dejando bien claro que cualesquiera
otras son igualmente legítimas si se obtienen siguiendo los cánones habituales de la metodología
científica, no hay ninguna razón para limitarse a las
cinco que aquí se comentan.
Evidencias de contenido
Si los ítems que componen una prueba no representan adecuadamente el constructo que se pretende evaluar, difícilmente podrán ser correctas las inferencias que se hagan a partir del test. Todo
proceso de validación ha de comenzar por la inexcusable tarea de comprobar la pertinencia de los
contenidos; si esta falla, todo lo demás, por muy
sofisticado técnicamente que sea, tiene los pies de
barro. Algo tan elemental se olvida con cierta frecuencia, basando a veces la selección de ítems en
criterios meramente estadísticos a posteriori. A la
hora de llevar a cabo la validación de los contenidos
han de comprobarse al menos dos aspectos vitales:
la definición del constructo a evaluar y su correcta
representación en el test. La definición ha de hacerse de forma operativa de modo que sea susceptible
de someterse a prueba y sea posible derivar indicadores empíricos para su medición. No hay reglas
universales para llevar a cabo una definición adecuada, depende en gran parte del constructo a medir. No es lo mismo, por ejemplo, definir las variables de tipo educativo o profesional, donde los
dominios suelen estar bien acotados, que variables
típicamente psicológicas como la extraversión o la
inteligencia. Definido el constructo, la representación se refiere al grado en el que los ítems que componen el test representan todos los aspectos del
constructo a medir.
Para lograr estos dos objetivos puede procederse de forma analítica y racional, mediante la utilización de expertos en la temática a evaluar, o bien
usar técnicas estadísticas tras la aplicación de la
prueba. Lo más recomendable es empezar con los
expertos y complementar sus opiniones con los
análisis estadísticos. A partir de los datos proporcionados por los expertos pueden obtenerse diversos indicadores cuantitativos de sus juicios; véanse,
© Ediciones Pirámide
/ 103
por ejemplo, Aiken (1980), Hambleton (1980,
1984), Popham (1992), Sireci y Geisinger (1992,
1995) y Deville (1996), entre otros. Para un tratamiento en profundidad de la problemática implicada en la validez de contenido y sus avatares históricos pueden consultarse los trabajos de Sireci (1998a
y b, 2003), Kane (2006b) o Sireci y Faulkner-Bond
(2014).
En suma, y como bien señala Sireci (1998a),
sean cuales sean los debates teóricos sobre validez,
que son muchos, y para seguir, en la práctica las
evidencias de validez basadas en los contenidos son
fundamentales, tal como lo recogen con justicia los
últimos estándares (AERA, APA y NCME, 2014).
Un aspecto importante de la validez de contenido
es el que se refiere a la necesidad de que el test parezca, dé la impresión a las personas evaluadas, de
que es adecuado y tiene sentido para medir lo que
se pretende (Muñiz, 2003, 2004). Se trata de un tipo
de evidencia sobre la validez de carácter menor,
pero en determinadas circunstancias podría llevar a
las personas evaluadas a desmotivarse para contestar la prueba si considerasen que aquello por las
razones que sea no les parece serio. Tanto quien
construye una prueba como quien ha de seleccionarla para su aplicación harían bien en asegurarse
de que las tareas incluidas en la prueba, así como
su apariencia, resultan aceptables para las personas
evaluadas. Buenos análisis sobre la validez aparente
pueden consultarse en Turner (1979), Friedman
(1983) o Nevo (1985). En suma, hoy como ayer, y
seguro que también mañana, todo proceso de validación comienza por la base, por los contenidos del
test; después vendrá todo lo demás.
Procesos de respuesta
Las personas evaluadas mediante un test obtienen una determinada puntuación en los ítems y en
el test y todas las inferencias que se hacen parten de
esos datos. Cuanto más conozcamos acerca de los
procesos que llevan a una persona a obtener una
determinada puntuación, mejor comprenderemos el
constructo medido y mayor control tendremos sobre las posibles predicciones. Los datos que se puedan aportar sobre estos procesos de respuesta constituyen una apoyatura excelente en el proceso de
validación de la prueba; incluso podría afirmarse
que en su ausencia no se puede hablar de una vali-
104 /
Introducción a la Psicometría
dación en profundidad. Nótese que estamos ante la
tarea clásica propuesta por Cronbach (1957, 1975)
de unir los esfuerzos de los enfoques diferencial y
general para entender cabalmente la conducta humana. Las estrategias para aportar datos sobre los
procesos subyacentes a las respuestas de las personas a los ítems de los test son muy variadas, si bien
siempre se basan en el análisis de las respuestas individuales de las personas. Estas estrategias pueden
ir desde preguntar a las propias personas acerca de
su proceder y observar los pasos sucesivos (cuando
es posible) que les conducen al resultado final hasta
utilizar observadores expertos o analizar de forma
experimental los procesos básicos y componentes
implicados en la respuesta de cada ítem.
La emergencia del paradigma cognitivo en los
años sesenta levantó grandes expectativas acerca de
la posibilidad de poder dar cuenta de las respuestas
de las personas a los ítems de los test de aptitudes,
en especial de inteligencia. La literatura generada
ha sido abundantísima, habiéndose estudiado exhaustivamente procesos tan diversos como el tiempo de reacción, la memoria, el tiempo de inspección
o los potenciales evocados, solo por citar algunos.
Tras cincuenta años de predominio del paradigma
cognitivo en psicología, y pasados los primeros entusiasmos, hay que decir que no se ha avanzado mucho en el conocimiento de los procesos explicativos
de las respuestas de las personas a los ítems. Seguimos sabiendo más acerca de las predicciones que se
pueden hacer a partir de las puntuaciones en los
test que sobre los procesos reales que hacen que
unas personas resuelvan con soltura los ítems y
otras lo hagan con dificultad. La esperada fecundación de la psicología diferencial por la psicología
general sigue pendiente en gran medida. Analizar
las causas profundas de este estado de cosas nos
llevaría lejos, fuera del alcance de este libro, y es
que la comprensión cabal de los procesos cognitivos
que subyacen a la medición de las aptitudes y otras
variables no está exenta de serios problemas (Prieto
y Delgado, 1999).
En cualquier caso, la dificultad de aportar datos
sobre los procesos implicados en la resolución de
los ítems no debe disuadirnos de intentarlo, pues
una validación en profundidad solo se conseguirá
cuando se logren integrar coherentemente las puntuaciones obtenidas por las personas con los procesos seguidos para obtenerlas. Un buen análisis so-
bre estos aspectos de la validación puede verse en
Padilla y Benítez (2014).
Estructura interna del test
Los datos sobre la estructura interna del test
pretenden evaluar en qué medida el test constituye
un constructo coherente y riguroso y no se trata
simplemente de un conjunto espurio de ítems. Un
test puede estar diseñado para constituir una o varias dimensiones, depende en cada caso de la definición operacional del constructo a medir. La evaluación de la dimensionalidad es uno de los tópicos
con mayor tradición psicométrica, pues muchos de
los modelos psicométricos más habituales en la
práctica asumen que el constructo evaluado es unidimensional. La unidimensionalidad matemáticamente perfecta solo existe en la mente de quienes
construyen y analizan los test; por tanto, trátase de
ver en qué medida es aceptable la unidimensionalidad mostrada por los datos empíricos. En otras palabras, hay que asegurarse de la robustez de los modelos psicométricos utilizados a violaciones del
supuesto de unidimensionalidad. Por ejemplo, diversos trabajos muestran que los modelos logísticos
de teoría de respuesta a los ítems son bastante robustos a violaciones moderadas de la unidimensionalidad (Muñiz y Cuesta, 1993). Aunque autores
como Hattie (1984, 1985) describen más de ochenta
indicadores de unidimensionalidad, los más populares siguen siendo los derivados del análisis factorial, si bien otras muchas alternativas son actualmente posibles, tales como el uso de los modelos de
ecuaciones estructurales (Gómez, 1996; Muthén,
1988; Pitoniak, Sireci y Luecht, 2002). Véanse buenas revisiones sobre dimensionalidad en Cuesta
(1996) y Elosua y López (2002). Tal vez convenga
recordar, dada la popularidad del coeficiente alfa
de Cronbach para evaluar la fiabilidad, que si bien
este se basa en la consistencia interna de la prueba,
no puede tomarse sin más como un indicador de la
dimensionalidad. No puede hablarse tampoco de
una dimensionalidad intrínseca e invariante de una
prueba, ya que esta puede variar con el tipo de
muestra, e incluso viene afectada por el formato de
los ítems (García-Cueto, Muñiz y Lozano, 2002).
Dentro de este apartado relativo a la estructura
interna pueden ubicarse los trabajos encaminados
a evaluar el funcionamiento diferencial de los ítems
© Ediciones Pirámide
Validez
(DIF). Estos análisis tratan de asegurar que los
ítems funcionan de forma similar para diferentes
grupos, no favoreciendo o perjudicando a unos
grupos frente a otros. Nótese que datos sobre este
funcionamiento de los ítems son claves para poder
apoyar la validez y universalidad de una prueba.
Seguramente la tecnología para la evaluación del
DIF ha sido uno de los capítulos de la psicometría
que más atención ha recibido durante los últimos
años, habiendo llegado a soluciones técnicas muy
satisfactorias para la evaluación eficiente del DIF.
Pueden consultarse buenas exposiciones y análisis
en Holland y Wainer (1993), Camilli y Shepard
(1994), Fidalgo (1996), Fidalgo y Muñiz (2002) o
Hidalgo y López-Pina (2000). Una asignatura pendiente de esta tecnología es la detección del DIF
cuando la muestra utilizada es poco numerosa, en
cuyo caso las técnicas convencionales, tales como
el método Mantel-Haenszel, no funcionan todo lo
bien que sería de desear (Muñiz, Hambleton y
Xing, 2001). Un análisis sobre las evidencias basadas en la estructura interna de las pruebas puede
verse en Ríos y Wells (2014).
Las estrategias para la obtención de datos comentadas hasta ahora se centraban en aspectos internos del test, bien fuese su contenido, los procesos
implicados en las respuestas a los ítems o la estructura interna del test. A partir de ahora se comentan
nuevas estrategias de obtención de evidencias, relativas a la conexión del test con distintas variables
externas a él.
Relaciones con otras variables
a)
Converger y discriminar
Un test diseñado para medir un determinado
constructo no suele estar solo en el mundo; ese mismo constructo puede ser evaluado por muy diversos
procedimientos más o menos similares a nuestro
test. Si el constructo es sólido, tiene entidad y no es
meramente espurio, las distintas mediciones que se
hagan de él por el procedimiento que sea han de ser
similares, han de converger, han de estar correlacionadas, han de mostrar, en suma, validez convergente; nada más natural. Análogamente, si distintos
constructos se evalúan utilizando procedimientos
parejos, no hay razón para esperar que dichas mediciones converjan; deberían divergir, discriminar
© Ediciones Pirámide
/ 105
un constructo del otro. En psicología no siempre ha
ocurrido esto con todos los constructos utilizados
por los psicólogos, como bien dieron cuenta de ello
Campbell y Fiske (1959) en su trabajo pionero, formulando una tecnología, la matriz multirrasgomultimétodo, para someter a prueba la existencia
de evidencias de validez convergente y discriminante. Desde el trabajo de Campbell y Fiske se han
seguido numerosas propuestas para analizar estadísticamente los datos provenientes de dichas matrices, buenos tratamientos de los cuales pueden
consultarse, por ejemplo, en Browne (1984), Marsh
(1988), Schmitt y Stults (1986), Kenny (1994) o
Hernández y González-Romá (2000).
Aportar datos sobre el grado en el que un test
converge con otras mediciones del mismo constructo, o diverge con aquellas de constructos diferentes,
sigue siendo fundamental en su proceso de validación. En la práctica el problema radica en la dificultad y carestía en tiempo y dinero que suele implicar
la obtención de los datos necesarios para llevar a
cabo este tipo de análisis. Las evidencias de validez
convergente y discriminante pueden obtenerse a partir de los datos proporcionados por la así llamada
matriz multirrasgo-multimétodo, que no es otra
cosa que lo que indica su nombre, a saber, una matriz de correlaciones en la que aparecen varios rasgos psicológicos (constructos) medidos por varios
métodos. Dícese haber validez convergente si las correlaciones entre las medidas de un rasgo por distintos métodos son elevadas, es decir, las medidas de un
mismo rasgo convergen, aunque se hayan hecho por
diferente método. La validez discriminante se refiere
a que las correlaciones anteriores entre las medidas
del mismo rasgo por distintos métodos han de ser
claramente superiores a las correlaciones entre las
medidas de distintos rasgos por el mismo método.
La idea de Campbell y Fiske (1959), aunque no era
nueva en el ámbito de la psicología, sistematizada de
este modo adquirió rápidamente gran difusión y popularidad, pues ya estaba latente en amplios sectores
de la psicología la necesidad de garantizar que las
teorías y constructos psicológicos al uso no eran meros artefactos emanados de un determinado método
de medida que se desvanecían al variar este, como
así comprobaron en numerosos casos Campbell y
Fiske (1959) al revisar la literatura.
A modo de ejemplo, se presenta a continuación
una matriz multirrasgo-multimétodo (tabla 3.1) en la
106 /
Introducción a la Psicometría
TABLA 3.1
Extraversión
Extraversión
Liderazgo
Inteligencia social
Liderazgo
AI
OS
EP
AI
OS
EP
0,80
0,70
0,60
0,80
0,70
0,90
AI
OS
EP
0,20
0,00
0,10
0,00
0,00
0,00
AI
OS
EP
0,20
0,00
0,00
0,00
0,10
0,10
AI
OS
EP
0,10
0,00
0,10
0,80
0,70
0,60
0,80
0,60
0,80
0,00
0,10
0,20
0,10
0,10
0,30
0,10
0,20
0,10
0,30
0,10
0,20
que tres rasgos (extraversión, liderazgo e inteligencia
social) se midieron cada uno por tres métodos (autoinforme, observación sistemática y encuesta a profesores) en una muestra de escolares de 12 años.
En la diagonal principal aparecen las correlaciones de los test consigo mismos, esto es, los coeficientes de fiabilidad, todos ellos iguales o mayores
que 0,80. La validez convergente, valores adyacentes a la diagonal principal, también es aceptable,
con valores iguales o superiores a 0,60 en todos los
casos. Asimismo, existe una clara validez discriminante, pues la máxima correlación entre medidas de
distinto rasgo por el mismo método es 0,20. Naturalmente, la realidad suele presentarse no tan diáfana como este ejemplo ilustrativo. Para un estudio
exhaustivo de los modelos de análisis de la matriz,
véanse, por ejemplo, Browne (1984), Marsh (1988),
Schmitt y Stults (1986) o Widaman (1985).
b)
Inteligencia social
La predicción del criterio
Seguramente los test constituyen la tecnología
más importante de la que disponen los psicólogos
para ejercer su profesión e investigar numerosos aspectos de la conducta humana. Los test son tan utilizados porque, entre otras cosas, permiten hacer
predicciones precisas sobre aspectos clave del funcionamiento humano. Pues bien, a la base de esas predicciones están las correlaciones entre el test y la variable a predecir, el criterio. La correlación entre el
test y el criterio se denomina «coeficiente de validez»
y es el dato que históricamente se ha propuesto en
AI
OS
EP
0,90
0,70
0,70
0,80
0,60
0,80
primer lugar para la validación de los test. Después
vino todo lo demás, la validez de contenido (Cureton, 1951), la de constructo (Cronbach y Meehl,
1955) y las propuestas unificadoras de la validez que
predominan en nuestros días (Messick, 1989). Todo
lo relativo a los coeficientes de validez está bien tratado en los manuales clásicos como el de Gulliksen
(1950), con aportaciones posteriores importantes derivadas del uso generalizado de las técnicas multivariadas, tales como la regresión múltiple, el análisis
factorial o el análisis discriminante, entre otras. Véase una síntesis en Dunbar y Ordman (2003). Seguramente el problema más insidioso en este contexto es
el de la evaluación precisa del propio criterio (Yela,
1990). En algunos casos su estimación no ofrece dificultad mayor, como ocurre con los test referidos al
criterio (tanto educativos como profesionales), donde el domino viene acotado de forma precisa y operativa. En esos casos obtener la correlación test-criterio no conlleva mayores dificultades. Ahora bien,
en el caso de algunas variables psicológicas, dar con
un criterio adecuado, y medirlo con precisión, tórnase tarea poco menos que imposible. Piénsese, por
ejemplo, en los criterios para la validación de los test
de inteligencia: casi ninguno de ellos está exento de
polémica. Algunas recomendaciones de interés para
la medición del criterio pueden verse en Thorndike
(1982) o Crocker y Algina (1986). Erróneamente
suele dedicarse mucha más atención a garantizar las
propiedades psicométricas del test, descuidándose
las del criterio, cuando en realidad ambos son, como
mínimo, igual de relevantes a la hora de calcular los
© Ediciones Pirámide
Validez
coeficientes de validez. Con frecuencia las personas
implicadas en los procesos de validación asumen
como aproblemática la medición del criterio, lo cual
está lejos de la realidad; piénsese, por ejemplo, en
criterios habituales tales como los juicios de expertos, supervisores o profesores, los cuales vienen afectados por numerosas fuentes de error que es necesario estimar.
La distinción clásica de validez concurrente,
predictiva o retrospectiva, en función de que la medición del criterio se haga a la vez que el test, posterior o previamente, sigue siendo práctica para organizar los datos; además cada situación conlleva
estrategias diferentes de medición del criterio. La
visión unificadora de la validez que predomina actualmente desde el punto de vista conceptual no
debe confundirnos y distraer nuestra atención sobre
las correlaciones test-criterio; si estas no se aportan
en el proceso de validación, poca o ninguna rentabilidad aplicada se le va a sacar a la prueba. El sino
del test que no logra predecir un criterio de interés
corre parejo al del buey que no ara.
c)
Generalización de la validez
La pretensión de que los resultados hallados en
cualquier ámbito científico sean universales, es decir, se puedan generalizar en condiciones diferentes
a las que fueron hallados, constituye una premisa
científica básica, y los datos obtenidos en los procesos de validación no son una excepción. La generalización hay que probarla, no se puede dar por supuesta, de modo que han de obtenerse datos y
aportar argumentos para estar seguros de que las
correlaciones test-criterio obtenidas en determinadas condiciones se mantienen en otras condiciones
no estrictamente iguales, es decir, son generalizables.
La variación de situaciones es prácticamente ilimitada, de modo que el aporte de datos que avalen la
generalización constituye un proceso de acumulación progresiva. No obstante, no todas las variaciones circunstanciales tienen la misma entidad, y es
tarea del usuario de los test y del constructor explicitar aquellos más relevantes para cada caso. Así,
por ejemplo, en los estándares de la AERA, APA y
NCME (2014) se mencionan cinco situaciones que
pueden incidir en la generalización de los coeficientes de validez: diferencias en la forma en la que se
mide el constructo predictor, el tipo de trabajo o
© Ediciones Pirámide
/ 107
currículum implicados, el tipo de medida del criterio utilizada, el tipo de personas evaluadas y el momento temporal en el que se lleva a cabo el estudio.
Todos esos parámetros y otros muchos pueden variar de unos casos a otros, por lo que hay que ir
acumulando datos empíricos acerca de la pertinencia de las generalizaciones. El metaanálisis se ha ido
imponiendo como forma estándar de análisis de los
datos proporcionados por las investigaciones; ahora
bien, sus resultados para un caso particular no deben tomarse de forma ingenua, y es necesario asegurarse de que los trabajos incluidos en el metaanálisis son equiparables a la situación que nos ocupa
en cada momento. Véase una buena revisión crítica
en Murphy (2003).
Aparte de los cinco aspectos mencionados, un
factor muy estudiado ha sido la incidencia del entrenamiento para hacer los test (coaching) en sus propiedades psicométricas (Allalouf y Shakhar, 1998;
Anastasi, 1981; Jones, 1986; Linn, 1990; MartínezCardeñoso, García-Cueto y Muñiz, 2000; Messick y
Jungeblut, 1981; Powers, 1985, 1986, 1993). Los resultados parecen indicar con claridad que los entrenamientos sistemáticos tienden a mejorar en cierto
grado las puntuaciones de las personas en los test
entrenados, eso sí, con importantes fluctuaciones en
función del tipo de programa de entrenamiento, las
horas invertidas y, sobre todo, el tipo de test. Sin
embargo, no se dispone de datos concluyentes sobre
la incidencia del entrenamiento en la fiabilidad y validez de los test.
Consecuencias del uso de los test
La última estrategia de recogida de datos en el
proceso de validación propuesta por los recientes
estándares (AERA, APA y NCME, 2014) es la inclusión de las consecuencias del uso de los test en el
proceso de validación. Esta propuesta fue incluida
por primera vez en los estándares de 1999. El debate sobre lo que ha dado en llamarse «validez consecuencial» se aviva a raíz del influyente trabajo de
Messick (1989) en la tercera edición del libro Educational Measurement, donde propone ampliar el
marco conceptual de la validez para dar cabida en
él a las consecuencias del uso de los test. Nadie había dudado nunca, que se sepa, de la gran importancia que tiene ocuparse del uso adecuado de los
test y de las consecuencias de su utilización, pero de
108 /
Introducción a la Psicometría
ahí a incluir estos aspectos dentro del marco científico de la validez había un trecho, que Messick propone caminar. Su propuesta cala en la comunidad
psicométrica dominante hasta el punto de ser incluida en los estándares de 1999. Bien es verdad que
no hay unanimidad al respecto, siendo recomendables los trabajos de Shepard (1997) y Linn (1997) a
favor, y los de Popham (1997) y Mehrens (1997) en
contra. La literatura generada es abundante; véase
por ejemplo el monográfico de la revista Educational Measurement: Issues and Practice (Green, 1998;
Lane, Parke y Stone, 1998; Linn, 1998; Moss, 1998;
Reckase, 1998; Taleporos, 1998).
El meollo del debate se centra fundamentalmente en si es apropiado o no incluir las consecuencias
sociales del uso de los test en el marco de la validez.
De lo que nadie duda es de la importancia de estas
y de la necesidad de ocuparse de ellas por parte de
los distintos agentes implicados en la utilización de
los test, tales como autores, constructores, distribuidores, usuarios, personas evaluadas e instituciones
contratantes (Haertel, 2002; Kane, 2002; Lane y Stone, 2002; Ryan, 2002). Al incluir las consecuencias
sociales en el marco de la validez, se corre el riesgo
de introducir por la puerta de atrás los planteamientos sociales y políticos en el estudio de la validez, que
debería reservarse para los argumentos científicos.
Autores como Maguire, Hattie y Brian (1994) consideran que esta insistencia en incluir las consecuencias dentro del marco de la validez viene motivada
en gran parte por las continuas refriegas legales que
rodean a los test en Estados Unidos. Consideran que
si bien esta postura pudiera reducir las batallas legales, también puede distraer a los constructores de su
misión central, que no es otra que aportar datos de
cómo el test representa al constructo medido.
Este debate puede resultar ajeno a muchos psicólogos, especialmente a los clínicos, y ello no es de
extrañar, pues surge fundamentalmente en los programas americanos de test a gran escala en el ámbito de la medición educativa y algo menos en la
orientación y selección de personal. En España estamos poco familiarizados con estos problemas,
pues escasean los programas sistemáticos de aplicación de pruebas a nivel regional o nacional. Pero
imagínese por un momento que a determinada edad
escolar todos los niños fuesen evaluados por una
prueba educativa, y que esa prueba tuviese repercusiones importantes para la vida académica de los
estudiantes. En esta situación todas las partes implicadas, constructores de pruebas, estudiantes, padres, colegios y gobiernos, mirarían con lupa todo
el proceso y sus consecuencias. Aparte del propio
test, las consecuencias de su aplicación, positivas y
negativas, también serían escrutadas. Por ejemplo,
una consecuencia positiva sería que los colegios se
verían presionados para que sus estudiantes mejorasen y puntuasen alto en la prueba. Una posible
consecuencia negativa sería que los programas se
ajustarían y centrarían en aquellos aspectos incluidos en la prueba, restringiendo así los objetivos de
la enseñanza; es decir, se enseñaría para la prueba.
No cabe duda de que se trata de dos consecuencias
de interés que han de tenerse en cuenta; la cuestión
que se debate es si han de ser incluidas en el marco
de los estudios de validez o no.
Nótese que esta cuestión de la validez consecuencial no se identifica estrictamente con el uso inadecuado de los test, que sencillamente ha de evitarse,
para lo cual las organizaciones nacionales e internacionales llevan a cabo muy diversas iniciativas; véanse, por ejemplo, Bartram (1998), Fremer (1996),
Evers (1996), Evers et al. (2017), Muñiz (1997, 1998),
Muñiz y Fernández-Hermida (2000), Muñiz, Prieto,
Almeida y Bartram (1999) y Simner (1996). Una alternativa razonable sería incluir en esta tradición del
uso adecuado de los test todo lo relativo a las consecuencias, pero hay quien considera que esto sería rebajar la importancia atribuida a las consecuencias,
ya que incluidas en el capítulo de la validez, tienen
garantizada una mayor cuota de pantalla en el debate psicométrico. Véase un análisis detallado del papel
de las consecuencias en el proceso de validación en
Padilla et al. (2007) o Lane (2014).
Comentarios finales
Para orientar en la práctica la obtención de evidencias empíricas relativas a las cinco vías descritas,
contenidos, procesos, estructura interna, relaciones
con otros test y consecuencias, los estándares téc­
nicos (AERA, APA, NCME, 2014) proponen veinticinco directrices de gran interés, remitiendo a ellas
a los lectores interesados. Además, tratamientos detallados sobre el proceso de validación pueden verse
en Paz (1996), Elosua (2003), Kane (2006b, 2016),
Lissitz (2009) o Zumbo y Chan (2014), y para un
planteamiento más crítico, Markus y Borsboom
© Ediciones Pirámide
Validez
(2013). Tal como se ha expuesto, los planteamientos
actuales sobre el proceso de validación de los test
hacen especial hincapié en la necesidad de aportar
datos empíricos y fundamentación teórica para justificar cualquier inferencia que se pretenda hacer a
partir de las puntuaciones de los test. Si bien se ha
ido refinando y sofisticando históricamente el concepto de validez, evolucionando hacia un planteamiento unitario, dentro del marco general de la
­metodología científica para la comprobación de hipótesis, el tipo de datos empíricos obtenidos en el
proceso de validación ha permanecido más estable.
No obstante, ello no ha sido en balde, pues el nuevo
marco unitario permite interpretarlos de forma más
integradora y significativa. La validación pasa así a
ser conceptualizada como un caso particular de la
metodología científica. La recogida de datos para someter a prueba las inferencias hechas a partir de los
test conlleva la misma problemática que la comprobación de cualquier otra hipótesis científica. Las estrategias de recogida de datos clásicas son lícitas, por
supuesto, pero no necesariamente exclusivas.
/ 109
del criterio. Una pregunta muy pertinente que se le
plantea a continuación podría ser la siguiente: ¿cuál
sería la validez del test en el supuesto de que tanto
el test como el criterio tuviesen una fiabilidad perfecta? Es decir, en el supuesto de que careciesen de
errores de medida.
La respuesta viene dada por la fórmula de atenuación (Spearman, 1904), denominación que hace
referencia al hecho de que la validez empírica viene
atenuada, reducida, disminuida, por la existencia de
los errores de medida, existencia cuya fórmula permite corregir, o, más exactamente, permite hacer
una estimación, según los supuestos del modelo, de
cuál sería la validez si test y criterio careciesen de
errores de medida. En ese caso de ausencia de errores, la validez del test vendría dada por la correlación entre las puntuaciones verdaderas de las personas en el test y sus verdaderas en el criterio:
ρ xy
ρ vx v y =
[3.1]
ρ xx ′ ρ y y ′
donde:
2. VALIDEZ Y FIABILIDAD
El coeficiente de validez es la correlación entre el
test y el criterio, y constituye el dato esencial a la
hora de obtener evidencias de validez del test relativas a las relaciones con otras variables. Para calcularlo hay que medir tanto el test como el criterio, por
lo que la fiabilidad de estas mediciones influirá en el
tamaño de la correlación obtenida entre ambos. En
este apartado se analiza cómo influye la fiabilidad
del test y del criterio en el coeficiente de validez. Veremos que, si se mejora la fiabilidad del test y del
criterio, el coeficiente de validez aumentará; en qué
grado lo hace es lo que se muestra en este apartado.
rxy: Coeficiente de validez empírico.
rxx ′: Coeficiente de fiabilidad empírico del test.
ryy ′:Coeficiente de fiabilidad empírico del cri­
terio.
Efectivamente, por definición:
ρ vx v y =
cov (Vx ,Vy )
σ vx σ v y
Ahora bien, según [1.6], la covarianza entre las
puntuaciones verdaderas es igual a la covarianza
entre las empíricas:
cov (Vx,Vy) = cov (X,Y ) = rxysxsy
luego:
2.1. Fórmulas de atenuación
a) Estimación del coeficiente de validez en el
supuesto de que el test y el criterio tuviesen
una fiabilidad perfecta
Supóngase, por ejemplo, que un psicólogo ha
calculado el coeficiente de validez de un test, y que
dispone también de la fiabilidad tanto del test como
© Ediciones Pirámide
ρ vx v y =
=
σ xy
ρ xyσ xσ y
ρ xy
=
=
σ vx σ v y
σ vx σ v y
σ vx σ v y
σx σy
1 21 2
ρ xy
ρ xx ′ ρ y y ′
que es la fórmula propuesta.
=
110 /
Introducción a la Psicometría
Ejemplo
El coeficiente de validez de una escala de motivación de logro resultó ser 0,60; su coeficiente de
fiabilidad, 0,64, y el coeficiente de fiabilidad del criterio, 0,81. ¿Cuál se estima que sería el coeficiente
de validez de la escala en el supuesto de que tanto
la escala como el criterio careciesen de errores de
medida?
ρ vx v y =
0,60
= 0,83
0,81 0,64
El incremento del coeficiente de validez sería
considerable, pasando de 0,60 a 0,83, en el caso de
que la escala y el criterio tuviesen una fiabilidad
perfecta.
Estimación del coeficiente de validez en el
b) caso de que el test tuviese una fiabilidad perfecta
La estimación anterior puede realizarse también en el caso de que solo el test carezca de errores
de medida, en cuyo caso la validez vendría dada
por:
ρ xy
ρ vx y =
[3.2]
ρ xx ′
puesto que:
ρ vx y =
=
cov (Vx ,Y ) cov (X ,Y ) ρ xyσ xσ y
=
=
=
σ vx σ y
σ vx σ y
σ vx σ y
ρ xy
ρ xy
=
σ vx
ρ xx ′
σx
En el ejemplo anterior, si solo el test careciese
de errores de medida, la estimación del coeficiente
de validez sería:
ρ vx y =
0,60
= 0,75
0,64
Lógicamente, el valor que toma ahora el coeficiente de validez (0,75) es menor que el estimado en
el apartado anterior (0,83), puesto que allí estaban
libres de error tanto test como criterio, mientras
que aquí solo lo está el test.
c) Estimación del coeficiente de validez en el
caso de que el criterio tuviese una fiabilidad
perfecta
Análogamente a los casos anteriores, cuando es
el criterio el que únicamente carece de errores de
medida, la estimación del coeficiente de validez viene dada por:
ρ xy
ρ xvy =
[3.3]
ρ yy ′
puesto que:
ρ xvy =
=
cov (X ,Vy )
σ xσ vy
=
cov (X ,Y ) ρ xyσ xσ y
=
=
σ xσ vy
σ xσ v y
ρ xy
ρ xy
=
σ vy
ρ yy ′
σy
Para los datos del ejemplo anterior:
ρ xvy =
0,60
= 0,67
0,81
d) Generalización de las fórmulas de atenuación
A partir de las fórmulas de atenuación anteriores, puede hacerse una generalización para el
supuesto en el que test y/o criterio, aun sin carecer totalmente de errores de medida, se les rebajen en cierto grado. Es decir, puede tener interés
estimar cuál sería el coeficiente de validez de un
test en el supuesto de que se lograsen ciertas mejorías en su fiabilidad, en la del criterio o en ambas. La fórmula que nos da tal estimación es la
siguiente:
© Ediciones Pirámide
Validez
ρ
ρ
ρ
ρ xy = xy XX ′ YY ′
[3.4]
ρ xx ′ ρ y y ′
ρ XY =
0,60 0,75 0,90
0,70 0,80
/ 111
= 0,66
donde las letras mayúsculas se refieren a las fiabilidades mejoradas.
Efectivamente, según [3.1]:
El coeficiente de validez pasaría de 0,60 a 0,66.
ρ xy
ρ vx v y =
(1)
ρ xx ′ ρ y y ′
Cuando únicamente se mejora la fiabilidad del
criterio, o la del test, pero no ambas, la expresión
dada en [3.4] se puede simplificar.
Ahora bien, si se lograse mejorar en cierto grado la fiabilidad del test y del criterio, es decir, si se
lograse reducir sus errores de medida, la correlación entre las puntuaciones verdaderas del test y
las del criterio (rvxvy) seguiría siendo la misma,
puesto que lo que se modifica son los errores, que
según el modelo no covarían con las verdaderas;
luego:
ρ XY
ρ vx v y =
(2)
ρ XX ′ ρYY ′
Igualando (1) y (2):
ρ xy
ρ xx ′ ρ y y ′
=
ρ XY
ρ XX ′ ρYY ′
ρ xy ρ XX ′ ρYY ′
ρ xx ′ ρ y y ′
que es la fórmula propuesta en [3.4], y que permite
estimar la validez de un test cuando se han introducido mejoras en su fiabilidad y en la del criterio.
Ejemplo
El coeficiente de validez de un test es 0,60; su
fiabilidad, 0,70, y la fiabilidad del criterio, 0,80.
¿Cuál sería el coeficiente de validez del test en el
supuesto de que se lograse elevar la fiabilidad del
test a 0,75 y la del criterio a 0,90?
© Ediciones Pirámide
—Mejora en la fiabilidad del criterio:
Puesto que en este caso la fiabilidad del test
no se altera, rxx ′ = rXX ′, anulándose ambos
términos en el numerador y denominador:
ρ
ρ
ρ xY = xy YY ′
[3.5]
ρ yy ′
—Mejora en la fiabilidad del test:
En este segundo caso, lo que permanece
constante es la fiabilidad del criterio, ryy ′ =
= rYY ′, que al anularse en el numerador y denominador reduce [3.4] a:
ρ
ρ
ρ Xy = xy XX ′
[3.6]
ρ xx ′
2.2. Valor máximo del coeficiente
de validez
Despejando rXY
ρ XY =
Casos particulares de [3.4]
A partir de [3.1] es inmediato que el coeficiente
de validez de un test es menor o igual que su índice
de fiabilidad:
rxy ⩽ rxv
Efectivamente, según [3.1]:
ρ vx v y =
ρ xy
ρ xx ′ ρ y y ′
Ahora bien, dado que rvxvy ⩽ 1
ρ xy
ρ xx ′ ρ y y ′
<1
[3.7]
112 /
Introducción a la Psicometría
luego,
ρ xy < ρ xx ′ ρ yy′
validez; al aumentar la longitud, mejora la validez.
La relación exacta entre longitud y validez viene
dada por la fórmula:
ρ xy n
ρ Xy =
[3.8]
1 + (n − 1) ρ xx ′
y, en consecuencia,
ρ xy < ρ xx ′
ya que el valor máximo de ryy ′ es 1. Ahora bien,
ρ xx ′ = ρ xv
donde n es el número de veces que se aumenta el test,
rxy el coeficiente de validez y rxx ′ el de fiabilidad.
Su obtención es inmediata, sustituyendo en [3.6]
el valor de rxx ′ dado por la fórmula de SpearmanBrown expuesta en [2.20]. Según [2.20]:
luego:
ρ XX ′ =
rxy ⩽ rxv
Esta expresión también nos indica que el coeficiente de validez puede ser mayor que el coeficiente
de fiabilidad, ya que si
ρ xy < ρ xx ′
rxy será igual a rxx ′ cuando este valga 1. En el resto
de los casos rxy podría ser mayor o igual que rxx ′,
puesto que la raíz cuadrada de un número menor
que 1 es mayor que dicho número.
Por ejemplo, si el coeficiente de fiabilidad de un
test es rxx ′ = 0,81:
ρ xy < 0,81
ρ xy < 0,90
Es decir, el valor máximo de rxy es 0,90, mientras que rxx ′ es 0,81; luego rxy, ciertamente, puede
ser mayor que rxx ′.
2.3. Validez y longitud del test
La fiabilidad de un test puede mejorarse por varios caminos. Uno muy típico, como ya se ha visto
en su momento, es aumentando su longitud. A su
vez, la mejora de la fiabilidad del test repercute favorablemente sobre su validez, repercusión que viene dada precisamente por la fórmula [3.4]. Es claro,
por tanto, que la longitud del test influye sobre su
n ρ xx ′
1 + (n − 1) ρ xx ′
Sustituyendo en [3.6]:
ρ xy
ρ Xy =
n ρ xx ′
[1 + (n − 1) ρ xx ′ ]
ρ xx ′
Simplificando ρ xx ′ en el numerador y el denominador se obtiene directamente [3.8].
Bell y Lumsden (1980) aportan datos empíricos
bastante favorables acerca del funcionamiento de
esta fórmula.
Ejemplo
La fiabilidad de un test es de 0,80, y su validez,
de 0,60. ¿Cuál sería el coeficiente de validez del test
si se duplicase su longitud?
ρ Xy =
(0,60) 2
= 0,626
1 + (2 − 1)(0,80)
Despejando n de [3.8], se puede estimar cuánto
habría que aumentar la longitud de un test para que
alcanzase un coeficiente de validez determinado:
2
(1 − ρ xx ′ ) ρ Xy
n= 2
[3.9]
2
ρ xy − ρ Xy
ρ xx ′
© Ediciones Pirámide
Validez
Ejemplo
La fiabilidad de un test que consta de 25 ítems
es 0,70, y su validez, 0,80. ¿Cuánto habría que alargar el test para alcanzar una validez de 0,90?
n=
(1 − 0,70)(0,90)2
= 3,33
(0,80)2 − (0,90)2 (0,70)
Habría que alargar el test 3,33 veces, y dado que
el test original constaba de 25 ítems, el nuevo alargado
tendría que tener 84 ítems: [(25)(3,33) = 83,25]. Luego
habría que añadir 59 ítems al original (84 − 25 = 59)
para que alcanzase una validez de 0,90.
3. VALIDEZ Y VARIABILIDAD
de tener un coeficiente de validez bien distinto dependiendo de la cuantía de la variabilidad (varianza)
de la muestra en la que haya sido calculado.
En este apartado se analiza en qué grado viene
afectado el coeficiente de validez por la variabilidad
de la muestra. Para una mejor comprensión se considerarán tres casos según el número de variables
implicadas:
—Dos variables.
—Tres variables.
—
n variables (caso general).
3.1. Dos variables
Cuando se pretende calcular el coeficiente de validez, no es infrecuente que en psicología y educación se presente una situación como la que sigue.
Supóngase un psicólogo al que se encomienda seleccionar unos pocos candidatos de entre un gran número de aspirantes a cierto trabajo. Amén de otras
técnicas de selección de personal, seguramente utilizará alguna batería de test. Si pasado un tiempo tras
la realización de la selección desease calcular la validez de la batería, no le quedaría otra opción que
correlacionar las puntuaciones de los admitidos con
Criterio
El coeficiente de validez de un test se ha definido como la correlación entre el test y el criterio, y,
como es bien sabido, la correlación entre dos variables tiende a aumentar con la variabilidad de la
muestra; por tanto, a la hora de interpretar el coeficiente de validez, es de suma importancia conocer
la variabilidad de la muestra en la que fue calculado. Como se verá más adelante, un mismo test pue-
No seleccionados
Seleccionados
Figura 3.1.—Puntuaciones de una muestra de personas en una batería de test y en el criterio.
© Ediciones Pirámide
/ 113
114 /
Introducción a la Psicometría
algún criterio de eficiencia en su trabajo. Nótese
bien que el resultado así hallado no sería propiamente la validez de la batería, sería una estimación
por defecto, puesto que ha sido calculada en el pequeño grupo de los admitidos y no en el total de los
aspirantes. La variabilidad en el grupo de los se­
leccionados es mucho menor que en el grupo de
aspirantes; luego la validez se verá notablemente
rebajada. Véase en la figura 3.1 cómo el grupo de
personas seleccionadas, que han superado la puntuación X en la batería, son mucho más homogéneas (menos variables) que el grupo total de aspirantes.
Ahora bien, ¿cómo saber cuál sería la validez de
la batería si se hubiese calculado en el grupo total?
Una solución, la mejor, sería admitir a trabajar a
todos los aspirantes, puntuarles después de un tiempo en algún criterio de eficiencia y correlacionar
estas puntuaciones con las de la batería. Naturalmente, este modo de proceder será casi siempre inviable en la práctica por razones obvias.
La alternativa será calcular el coeficiente de validez en el grupo de admitidos y, basándose en ciertos supuestos del modelo lineal clásico, hacer una
estimación del valor que tomaría la validez si hubiese sido calculada en el grupo total de aspirantes.
La precisión de la estimación dependerá de la pertinencia de los supuestos.
Supuestos
1.
ρ xyσ y
ρ σ
= XY Y
σx
σX
2.
2
2
σ y 1 − ρ xy
= σY 1 − ρ XY
[3.10]
Las letras mayúsculas se refieren al grupo de
aspirantes, y las minúsculas, a los seleccionados.
Se asume:
1.Que la pendiente de la recta de regresión del
criterio sobre el test es igual en ambos grupos.
2.Que el error típico de estimación también es
igual en ambos grupos.
Bajo tales supuestos, de [3.10] se puede despejar
rXY, la validez en el grupo de aspirantes:
σ X ρ xy
ρ XY =
[3.11]
2
2
σ X2 ρ xy
+ σ x2 − σ x2 ρ xy
Asimismo (despejando), se puede estimar cuál
sería la variabilidad del criterio en el grupo total:
2
ρ xy
σ X2
2
[3.12]
σ
=
σ
1
−
ρ
+
Y
y
xy
σ x2
Ejemplo
Se aplicó un test de rapidez perceptiva a un grupo de 2.000 aspirantes a pilotos de aviación. La desviación típica de los aspirantes en el test fue 20.
Seleccionados 50 de los aspirantes, su desviación
típica en el test fue 5, y la correlación entre las puntuaciones en el test y la eficacia como piloto tras un
año de entrenamiento fue 0,25. ¿Cuál se estima que
sería la validez del test si se hubiese calculado en el
grupo de los aspirantes y no en el de los seleccionados, como así se hizo?
ρ XY =
(20)(0,25)
(20) (0,25)2 + 52 − 52 (0,25)2
2
= 0,72
El cambio es bastante dramático: de 0,25 en el
grupo de seleccionados se pasa a 0,72 en el grupo
de aspirantes, y ello porque en el primero la desviación típica es 5, y en el segundo, 20.
En este contexto suele denominarse «variable
directamente selectiva» a la utilizada explícitamente
para seleccionar a las persoans. Lo más habitual en
la práctica es que sea el test, pero también cabe la
posibilidad de utilizar el criterio.
Por el contrario, variables indirectamente selectivas serían aquellas correlacionadas con la directamente selectiva. Si se lleva a cabo una selección mediante una determinada variable, la variabilidad en
el grupo seleccionado disminuirá notablemente
para esa variable, pero también lo hará para cualquier otra variable correlacionada con ella, es decir,
se produce una selección indirecta incidental en las
variables correlacionadas.
Según los datos que se asumen conocidos y desconocidos en los supuestos, se genera toda una ca© Ediciones Pirámide
Validez
suística que el lector puede encontrar expuesta con
detalle en Gulliksen (1950).
Las fórmulas expuestas pueden usarse de forma
general siempre que se reserve la X para la variable
directamente selectiva, la Y para la indirectamente
selectiva (independientemente de que sea el test o el
criterio), las minúsculas para el grupo con los datos
conocidos y las mayúsculas para el desconocido (independientemente de que el grupo sea el seleccionado o el total).
Sobre lo adecuado de los supuestos, no se anda
sobrado de evidencia empírica confirmatoria, pero
todo parece indicar que si la selección no es muy extrema, las fórmulas funcionan bien, e incluso infraestiman la validez en el grupo no seleccionado (Lord y
Novick, 1968). En el caso de selección extrema, lo
cual es bastante frecuente en la práctica, las fórmulas
han de usarse con precaución, si bien Lee, Miller y
Graham (1982) obtuvieron estimaciones ajustadas
incluso para casos de selección extrema (10 %).
3.2. Tres variables
Otra situación paradigmática en el ámbito de la
psicología aplicada se produce cuando, una vez hecha
la selección según lo expuesto en el apartado anterior,
se plantea la posibilidad de que un nuevo test Z pueda reemplazar ventajosamente como selector al X
que se viene utilizando. Una forma ingenua para tratar de averiguar si el nuevo test Z es preferible como
selector al X podría consistir en aplicar el nuevo test
Z a los seleccionados con el X, hallar los coeficientes
de validez de ambos test (rxy, rzy) y compararlos. Sin
embargo, esto no sería correcto, pues al comparar los
valores de los coeficientes de validez obtenidos en el
grupo de seleccionados se perjudicaría más al test con
el que se hizo la selección, en el que la variabilidad
será menor, que al nuevo. Lo apropiado será estimar
el coeficiente de validez de ambos en el grupo de aspirantes (rXY, rZY) y compararlos.
Para el cálculo de rXY se utiliza [3.11], mientras
que rZY viene dado por la expresión:
ρ ρ σ2
[3.13]
ρ zy − ρ xz ρ xy + xz xy2 X
σx
ρ ZY =
2
2
2
ρ xy
σ X2
ρ σ
2
2
1 − ρ xz
+ xz 2 X 1 − ρ xy
+
σx
σ x2
!1
© Ediciones Pirámide
21
2
/ 115
donde, como en el caso de dos variables, X es el test
directamente selectivo, Z el nuevo test e Y el criterio, reservándose las mayúsculas para el grupo total
y las minúsculas para el de los seleccionados.
Ejemplo
Un cuestionario de habilidades sociales se utilizó para seleccionar 40 candidatos entre 1.000 aspirantes a encuestadores. La desviación típica de los
aspirantes en el cuestionario fue 25, y la de los seleccionados, 6. Tras varios meses encuestando, la
correlación entre las puntuaciones en el cuestionario y la eficiencia como encuestadores, medida según cierto criterio, fue de 0,30, mientras que la eficiencia encuestadora correlacionó 0,35 con un test
de inteligencia general aplicado a los seleccionados.
Por su parte, la correlación entre la inteligencia general y las habilidades sociales resultó ser de 0,60.
A la luz de estos datos, ¿puede afirmarse que la inteligencia general predice la eficiencia encuestadora
mejor que el cuestionario de habilidades sociales?
Según [3.11]:
ρ XY =
(25)(0,30)
(25) (0,30)2 + 62 − 62 (0,30)2
2
= 0,80
Según [3.13]:
ρ ZY =
(0,60)(0,30)(25)2
62
=
⎡
(0,60)2 (25)2 ⎤
2
⎢1 − (0,60) +
⎥
62
⎣
⎦
0,35 − (0,60)(0,30) +
⎡
(0,30)2 (25)2 ⎤
2
⎢1 − (0,30) +
⎥
62
⎣
⎦
= 0,80
La respuesta es negativa; a pesar de que en el
grupo seleccionado la correlación de la inteligencia
general con el criterio era algo mayor, 0,35 frente a
0,30, en el grupo amplio resultaron iguales.
Los supuestos que subyacen para la obtención
de [3.13] son análogos a los ya explicitados para el
caso de dos variables, aquí generalizados a tres. Es
116 /
Introducción a la Psicometría
decir, se asume que las pendientes de las rectas de
regresión de las variables indirectamente selectivas
(Z, Y) sobre la variable directamente selectiva (X)
son iguales en el grupo seleccionado y en el total
(supuestos 1 y 2). Asimismo, se asume que son
iguales sus errores típicos de estimación (supuestos
3 y 4), y que la correlación parcial entre el criterio
(Y ) y el nuevo test (Z), eliminando el efecto de X,
es igual en ambos grupos (supuesto 5). Todo lo cual
puede expresarse del siguiente modo:
1.
ρ xyσ y
ρ σ
= XY Y
σx
σX
2.
ρ xzσ z
ρ σ
= XZ Z
σx
σX
−1
b = Cxx
Cxy
3.
2
2
σ y 1 − ρ xy
= σY 1 − ρ XY
4.
2
2
σ z 1 − ρ xz
= σ Z 1 − ρ XZ
5.
ρ zy − ρ xz ρ xy
2
2
(1 − ρ xz
)(1 − ρ xy
)
=
[3.14]
−1
donde Cxx
es la inversa de la matriz de varianzascovarianzas de las variables predictoras X (aquí directamente selectivas) y Cxy las covarianzas entre las
directa e indirectamente selectivas.
Por otra parte:
−1
Cee = CyyCyx
′ Cxx
Cxy
ρ ZY − ρ XZ ρ XY
2
2
(1 − ρ XZ
)(1 − ρ XY
)
Trate el lector, a modo de ejercicio, de llegar a
la expresión [3.13] despejando rZY a partir de los
supuestos. En función de los datos conocidos-desconocidos de los supuestos, puede aparecer un desfile innumerable de casos posibles; véase, por ejemplo, Gulliksen (1950).
Sustituyendo estos valores en los supuestos:
−1
Cxy = CX−1XCXY
1. Cxx
−1
2. Cyy − Cyx
′ Cxx
Cxy = CYY − CYX
′ CX−1XCXY
Del primero lo único que no se conoce es CXY,
que se puede despejar:
−1
CXY = CXXCxx
Cxy
[3.16]
Sustituyendo en 2 el valor de CXY y despejando
CYY:
3.3. Caso general
Todo lo dicho para los casos de dos y tres variables puede generalizarse para el caso de n variables directamente selectivas y K indirectamente selectivas, en cuyo caso los supuestos expresados en
forma matricial vendrían dados por:
1. byx = bYX
2. Cee = CEE
Aunque la casuística posible es variada, dependiendo de los datos que se consideren conocidos, en
la práctica lo más usual será disponer de todos los
datos en ambos grupos para las variables directamente selectivas y los de las variables indirectamente selectivas en el grupo seleccionado. Se ilustra este
caso a continuación; véase Gulliksen (1950) para un
tratamiento detallado.
Como se verá en el apartado siguiente, los pesos
b vienen dados por:
[3.15]
El primer supuesto establece que los pesos de
las variables directamente selectivas para predecir
las indirectamente selectivas son iguales en ambos
grupos, y el segundo, que las matrices de varianzascovarianzas de los errores de estimación son iguales.
−1
−1
−1
′ Cxx
CXXCxx
Cxy − Cyx
′ Cxx
Cxy [3.17]
CYY = Cyy + Cyx
Las expresiones [3.16] y [3.17] proporcionan,
respectivamente, las covarianzas entre las variables
directa e indirectamente selectivas, y las varianzascovarianzas entre las indirectamente selectivas, ambas en el grupo amplio. Dado que la matriz de varianzas-covarianzas de las variables directamente
selectivas (CXX) se conoce, utilizando la fórmula de
la correlación de Pearson puede estimarse cualquier coeficiente de validez en el grupo amplio
[rZY = cov (X, Y )/sXsY], los pesos b (b = CX−1XCXY),
o la correlación múltiple.
© Ediciones Pirámide
Validez
Ejemplo
De un total de 1.000 aspirantes a policía municipal fueron seleccionados 100 basándose en las
puntuaciones en tres test: X1, X2, X3. Tras dos años
ejerciendo su labor, se puntuó a los admitidos en
dos criterios de eficacia laboral: Y1 e Y2. A partir de
los datos obtenidos, y mediante las operaciones matriciales anteriormente indicadas, se obtuvieron las
matrices de varianza-covarianza adjuntas para el
grupo de aspirantes. En el supuesto de que hubiese
que elegir un solo test para predecir el criterio Y2,
¿cuál se elegiría?
CXY
CXX
Y1 Y2
X1 X 2 X 3
X1 ⎡ 6 8 ⎤
⎥
⎢
X2 ⎢ 4 5 ⎥
X 3 ⎢⎢ 2 10 ⎥⎥
⎦
⎣
⎤
X 1 ⎡ 25
⎥
⎢
X 2 ⎢ 7 16 ⎥
X 3 ⎢⎢ 6 4 9 ⎥⎥
⎦
⎣
CYY
Y1 Y2
⎤
Y1 ⎡ 25
⎢
⎥
Y2 ⎢ 11 16 ⎥
⎣
⎦
ρ X1Y2 =
cov (X 1 ,Y2 )
8
=
= 0,40
SX1SY2
(5)(4)
ρ X 2Y2 =
cov (X 2 ,Y2 )
5
=
= 0,31
SX 2 SY2
(4)(4)
ρ X 3Y2 =
cov (X 3 ,Y2 )
10
=
= 0,83
SX 3 SY2
(3)(4)
Parece claro que el test 3 sería en solitario el
mejor predictor, pues su correlación con el criterio
2 es bastante mayor que la de los otros dos test.
4. VALIDEZ Y PREDICCIÓN
Es frecuente que uno de los objetivos centrales
de un test sea predecir determinado criterio o variable externa. La predicción será tanto más ajustada cuanta mayor correlación haya entre el test
y el criterio a estimar, es decir, cuanto mayor sea
el coeficiente de validez del test. A continuación
se expondrá en líneas generales el modo de estimar un criterio mediante las técnicas de regresión,
aconsejándose al lector acudir a las fuentes que se
© Ediciones Pirámide
/ 117
citan para tratamientos más detallados. Aunque
conllevan cierta elaboración estadística, el lector
debe tener presente a nivel conceptual que el dato
fundamental en el que se basan es la correlación
entre el test y el criterio. Puede decirse que las
técnicas de regresión permiten expresar «de otro
modo» la información contenida en el coeficiente
de validez.
4.1. Regresión simple
Modelo
La regresión simple permite pronosticar un criterio a partir de un solo test. Desde el punto de
vista de la psicología científica representaría un
caso más bien atípico, en el sentido de que raramente una variable de interés (criterio) puede predecirse
con precisión a partir de un solo test. Lo más realista suele ser que la predicción se ajuste mejor utilizando más variables predictoras; no obstante, tiene sentido tratarlo aquí aunque solo sea como
introducción a la regresión múltiple.
Cuando se trata de pronosticar un criterio (Y )
a partir de las puntuaciones conocidas de un test
(X ), la ecuación de la recta puede resultar un instrumento apropiado para tal fin, aunque otros muchos son pensables. La ecuación general de una recta viene dada por:
Y = bX + a
donde
b: Pendiente de la recta.
a: Ordenada en el origen.
Si se conocen los valores de b y a, la recta queda definida, y ciertamente se pueden pronosticar los
valores de Y conocidos los de X. Por ejemplo, si en
una recta b = 2 y a = 3, su fórmula vendría dada
por Y = 2X + 3, así que a un valor de X = 5 le correspondería un valor de Y = 13; para un valor
X = 0, Y valdría 3, etc. (véase figura 3.2).
Ahora bien, no es difícil demostrar (véase apéndice [2.8]) que los valores de b y a que hacen mínimos los errores al pronosticar Y a partir de X vienen dados por:
118 /
Introducción a la Psicometría
Por tanto, a las personas que hayan sacado 50
puntos en el test se les pronostican 76 en el criterio.
Error típico de estimación
Y
=
2X
+
3
Y
X
Figura 3.2.—Recta de regresión.
b = ρ xy
σy
σx
σy
a = Y − ρ xy
X
σx
Sustituyendo en la recta los valores de b y a:
Y ′ = ρ xy
σy
σy
X − ρ xy
X +Y
σx
σx
Y sacando factor común ρ xy
σy
σx
σy
[3.18]
Y ′ = ρ xy
(X − X ) + Y
σx
Ejemplo
Si el coeficiente de validez de un test es 0,80, la
desviación típica del criterio 10, la del test 5, la media del criterio 60 y la del test 40, ¿qué puntuación
se pronosticaría en el criterio a una persona que
hubiese obtenido en el test una puntuación de 50?
Y ′ = (0,80)
10
(50 − 40) + 60 = 76
5
Nótese bien que la recta de regresión lo único
que garantiza es que «a la larga» (esperanza matemática) los errores cometidos al pronosticar serán
mínimos, según el criterio de mínimos cuadráticos,
pero es evidente que cada vez que se pronostique se
cometerá algún error, mayor o menor, salvo que
rxy = 1. Estos errores cometidos al pronosticar se
denominan «errores de estimación», y son la diferencia entre las puntuaciones pronosticadas en el
criterio y las que realmente obtienen en él los sujetos (Y ′ − Y ), denominándose «error típico de estimación» a su desviación típica, cuya fórmula (véase
apéndice [2.10]) viene dada por
2
σ y · x = σ y 1 − ρ xy
[3.19]
donde
sy: Desviación típica del criterio.
rxy: Coeficiente de validez del test.
Deducciones inmediatas del modelo
Es inmediato a partir del modelo (véase apéndice) que la varianza total del criterio (s y2) puede desglosarse en dos componentes aditivos: la varianza
de las puntuaciones pronosticadas en el criterio a
partir del test (s y2′) y la varianza de los errores de
estimación (s y2 · x):
s y2 = s y′2 + s y2 · x
[3.20]
La varianza de las puntuaciones pronosticadas
(s y2′) suele denominarse «varianza asociada», haciendo referencia a que, en efecto, lo que varían las
puntuaciones pronosticadas Y ′ está asociada a, depende de la variabilidad de las puntuaciones X del
test, ya que las Y ′ se obtienen a partir de las X
mediante la recta de regresión. Por su parte, s y2 · x
suele denominarse «varianza no asociada», pues,
según el modelo, la varianza de los errores de estimación no depende de la variabilidad de las puntuaciones X.
© Ediciones Pirámide
Validez
Es también inmediato (véase apéndice) que:
— Coeficiente de valor predictivo:
σ y2′
2
ρ xy
= 2
[3.21]
σy
σ y2 · x
2
[3.22]
ρ
=
1
−
xy
σ y2
La fórmula [3.21] muestra explícitamente que el
coeficiente de validez al cuadrado expresa la proporción de varianza asociada entre el test y el criterio, o, en otras palabras, expresa qué proporción de
la varianza del criterio se puede predecir a partir del
test. Por ejemplo, si la validez de un test es 0,80, ello
indicará que el 64 % de la varianza del criterio es
pronosticable a partir del test. Por ello, no es infre2
cuente denominar a rxy
coeficiente de determina2
ción y a 1 − ρ xy coeficiente de alienación, aludiendo, respectivamente, al grado en que el criterio viene determinado por el test, o, por el contrario, está
alienado, separado, enajenado del test. Nótese que
el coeficiente de alienación viene dado por el cociente:
σ y·x
σy
=
2
σ y 1 − ρ xy
σy
2
= 1 − ρ xy
indicando la proporción que el error típico de estimación (sy · x) representa respecto de sy.
Denomínase «coeficiente de valor predictivo» al
complementario del coeficiente de alienación,
2
, otro modo de expresar la capacidad
1 − 1 − ρ xy
predictiva del test.
En suma, el coeficiente de validez y los índices
citados derivados de él informan acerca del grado
en que el criterio es pronosticable a partir del test.
— Coeficiente de determinación:
2
CD = rxy
— Coeficiente de alienación:
2
CA = 1 − ρ xy
© Ediciones Pirámide
/ 119
2
CVP = 1 − 1 − ρ xy
Intervalos confidenciales
A la hora de hacer pronósticos en el criterio a
partir del test, y debido a los errores de estimación
asociados con las predicciones, más que estimaciones puntuales conviene establecer un intervalo confidencial en torno a la puntuación pronosticada.
Para ello se asume que los errores de estimación se
distribuyen según la curva normal con desviación
típica dada por el error típico de estimación (sy · x).
Ejemplo
Se aplicó un test a una muestra de 100 personas,
obteniéndose una media de 40 y una desviación típica de 5. La desviación típica de la muestra en el criterio fue 10, y la media, 60. El coeficiente de validez
resultó ser de 0,90. Al nivel de confianza del 95 %,
¿qué puntuación se estima que consiguiesen en el criterio los sujetos que obtuviesen 55 puntos en el test?
1.Nivel de confianza del 95 %: Zc = ±1,96.
2
2.
σ y · x = σ y 1− ρ xy
= 10 1− (0,90)2 = 4, 36.
3.Error máximo: (Zc)(sy · x) = (1,96)(4,36) =
= 8,54.
4. Y ′ = ρ xy − (X − X ) + Y =
10
= 0,90
− (55 − 40) + 60 = 87.
5
5.
Y ′ ±Error máximo: 87 ± 8,54:
78,46 ⩽ Y ⩽ 95,54.
Es decir, se estima que al nivel de confianza del
95 % el valor de Y para las personas que obtuvieron
55 puntos en el test estará entre 78,46 y 95,54.
Siempre que las muestras sean suficientemente
amplias, este modo de proceder es razonable; no
obstante, véanse en la nota que sigue algunas matizaciones.
Aunque a estas alturas resulte obvio al lector,
no conviene olvidar que la utilidad de los pronósti-
120 /
Introducción a la Psicometría
cos mediante la recta de regresión no tiene que ver
con la muestra en la que se ha calculado, en la cual
disponemos de las puntuaciones de los sujetos en el
criterio, no teniendo, por tanto, ninguna necesidad
de pronosticarlas; su utilidad proviene del uso que
podamos hacer de ella en el futuro con sujetos equiparables a los que se emplearon en su elaboración.
Nota: Para estimar el valor de s y2 · x a partir de
los datos de una muestra, algunos autores, más que
la fórmula dada en [3.19], especialmente si el número de sujetos no es elevado, aconsejan utilizar una
corrección del estimador insesgado sy′ · x:
σ y′ · x = Sy · x
N
N −2
donde
Sy · x: Valor de sy · x en la muestra.
N: Número de sujetos de la muestra.
Dicha corrección viene dada por:
1
(X − X )2
[3.23]
σ y′′· x = σ y′ · x 1 +
+
N (N − 1)Sx2
donde
sy′ · x: Estimador insesgado citado.
N: Número de sujetos de la muestra.
X:
_ Puntuación del test a pronosticar.
X : Media del test en la muestra.
S2x: Varianza del test en la muestra.
La razón de recomendar el uso de esta corrección (s y″· x) en vez de utilizar directamente Sy · x o el
estimador insesgado sy′ · x proviene de lo siguiente.
Cuando se hacen pronósticos particulares de Y a
partir de X, los errores de estimación tienden a ser
mayores a medida que el valor de X se aleja de la
media. Introduciendo la corrección citada, los intervalos confidenciales serán más
_ amplios en los
extremos, debido al factor (X − X )2 que se contempla, y más estrechos para valores de X en torno a la
media. Esto no ocurriría si se usase Sy · x o sy′ · x, que
darían intervalos exactamente iguales independien-
temente del valor de X, lo cual se ajusta peor a lo
que suele ocurrir empíricamente.
Además, el estadístico de contraste propuesto es
t con N − 2 grados de libertad en vez de Z.
Veamos lo dicho para los datos del ejemplo anterior:
1. Nivel de confianza del 95 %: tN − 2 = ±1,984.
2. σ y′ · x = 10 1 − 0,90 2
σ y′′· x = 4,40 1 +
100
= 4,40
100 − 2
1
(55 − 40)2
+
= 4,62.
100 (100 − 1)25
3. Error máximo: (1,984)(4,62) = 9,17.
4. Y ′ = 87.
5.
Y ′ ± Error máximo: 87 ± 9,17:
77,83 ⩽ Y ⩽ 96,17.
Dado que nuestro objetivo aquí no es hacer una
exposición detallada de la regresión, sino más bien
utilizar algunas de sus posibilidades para resolver
problemas concretos de la validez de los test, no nos
detendremos en aspectos como las distribuciones
muestrales de los parámetros y en las distintas hipótesis acerca de ellos que se pueden someter a
prueba. Dos de esas hipótesis de sumo interés son
comprobar la significación estadística de la pendiente de la recta de regresión (H0: b = 0) y el posible paralelismo entre dos rectas (H0: b1 = b2). Véase,
por ejemplo, Amón (1984).
A modo de ejercicio, demuestre el lector que en
puntuaciones diferenciales la recta de regresión viene dada por:
y ′ = ρ xy
σy
x
σx
mientras que en puntuaciones típicas
Zy′ = rxyZx
4.2. Regresión múltiple
Si se desea pronosticar un criterio psicológico de
cierta relevancia, lo más frecuente es que haya que
utilizar más de una variable predictora. Por ejemplo,
© Ediciones Pirámide
Validez
un psicólogo escolar que esté interesado en predecir
el rendimiento académico tal vez medirá distintos
tipos de inteligencia (general, verbal, espacial, numérica o social), algunos rasgos de personalidad
(extraversión, neuroticismo, motivación de logro,
etc.), amén de otras variables como nivel socioeconómico familiar, procedencia rural-urbana o grado
de motivación del profesorado, etc.; en suma, medirá aquellas variables que según los datos previos y
la teoría con la que opera parezcan más relevantes.
Ahora bien, no todas las variables en las que se pensó en principio serán igual de relevantes para la predicción, y tal vez algunas de ellas no contribuyan
significativamente a la predicción. Pues bien, la regresión múltiple proporciona una solución plausible
a esos problemas porque permite estimar los pesos
o ponderaciones correspondientes a cada variable
predictora, así como descartar aquellas cuya contribución a la predicción del criterio sea irrelevante.
Veamos el modelo.
4.2.1.
Modelo
Sean
Y: Criterio a predecir.
X1, X2, X3, ..., Xk: Variables predictoras.
B1, B2, B3, ..., Bk:Pesos o ponderaciones correspondientes a las variables
predictoras.
Las puntuaciones pronosticadas en el criterio
vendrán dadas por:
Y ′ = B0 + B1X1 + B2X2 + B3X3 + ... + BkXk
Ahora bien, como ya se ha visto al tratar de la
regresión simple, los pronósticos Y ′ no siempre
coincidirán exactamente con el valor real de Y,
cuya diferencia se denomina como allí «error de estimación»: e = Y − Y ′. Por tanto, Y = Y ′ + e, pudiendo expresarse el modelo del siguiente modo:
Y = B0 + B1X1 + B2X2 + B3X3 + ... + BkXk + e
o, en forma matricial:
Y = XB + e
© Ediciones Pirámide
/ 121
Estimación de los pesos de las variables
predictoras
El problema consiste en cómo estimar a partir
de los datos empíricos los pesos B para que los
errores cometidos al pronosticar (e) sean mínimos.
Se demuestra (véase apéndice) que los pesos de las
variables predictoras que minimizan los errores de
estimación según el criterio de mínimos cuadráticos
vienen dados por:
b = (X ′X )−1X ′Y
[3.24]
donde
b: Vector de pesos estimados.
X:Matriz de sujetos por variables pre­
dictoras, cuya primera columna son
unos.
X ′: Matriz traspuesta de X.
(X ′X )−1: Matriz inversa de (X ′X ).
Y:Vector de puntuaciones de los sujetos
en el criterio.
Nótese que para poder estimar los pesos b es
necesario que la matriz (X ′X ) tenga inversa. Una
matriz cuyo determinante es cero no tiene inversa y
se denomina «matriz singular», en cuyo caso no se
podría hallar b. Aunque no es frecuente que ocurra
esto con datos empíricos, si, por ejemplo, un investigador incluye en el análisis una variable que es
función lineal de otra también incluida, se encontrará con la situación descrita.
Una vez estimados los pesos b, se pueden someter a prueba diferentes hipótesis estadísticas acerca
de ellos, siendo de especial relevancia su significación estadística. A tal efecto, el vector de varianzas
de b viene dado por s y′2· x(X ′X )−1, donde s y′2· x es la
varianza de los errores de estimación. Los programas de ordenador habituales, como el SPSS y otros,
proporcionan este valor.
Dado que el objetivo que se persigue aquí con
esta exposición sumaria de algunos aspectos de la
regresión es permitir al lector entender los conceptos implicados en la teoría de los test, desbordando
por completo los objetivos de este manual una exposición detallada, se recomienda al lector interesado acudir a los excelentes textos existentes al res-
122 /
Introducción a la Psicometría
pecto, por ejemplo Cohen y Cohen (1983), Draper
y Smith (1981), Kerlinger y Pedhazur (1973), Overall y Klett (1972), Pedhazur (1982) o Timm (1975),
entre otros.
Puntuaciones diferenciales
Si las puntuaciones directas de las personas en
las variables predictoras y en el criterio se transformasen en puntuaciones diferenciales, el valor de
B0 = 0, y los pesos b vendrían dados por:
−1
b = Cxx
Cxy
[3.25]
típica y dividiendo por la desviación típica del criterio.
Ejemplo
Trataremos de ilustrar todo lo dicho mediante la
realización de un ejemplo paso a paso. Supóngase
que se desean conocer las ponderaciones de la inteligencia general (IG) y de la inteligencia verbal (IV)
para pronosticar el rendimiento académico (RA).
Con tal fin se midieron las tres variables en una
muestra de cinco sujetos, obteniéndose los resultados
que se adjuntan (tomados de Amón, 1984, p. 323).
donde
−1
Cxx
:Inversa
de la matriz de varianzas-covarianzas de las variables predictoras.
Cxy:Vector de covarianzas entre las variables
predictoras y el criterio.
Los pesos b en puntuaciones diferenciales son
los mismos que en directas, excepto que b0 = 0.
Puntuaciones típicas
En puntuaciones típicas los pesos de las variables predictoras suelen denominarse pesos beta y
vienen dados por:
−1
b = Rxx
Rxy
[3.26]
donde
−1
Rxx
:Inversa de la matriz de correlaciones (con
unos en la diagonal) entre las variables
predictoras.
Rxy:Vector de correlaciones entre las variables
predictoras y el criterio.
De cara a una mejor interpretación de la importancia relativa de las variables predictoras es
aconsejable trabajar con los pesos beta, ya que todas las variables se expresan en la misma escala
(típica), con media cero y desviación típica uno.
No obstante, es inmediato el paso de b a b:
bi = biSxi /Sy, es decir, el peso b de una variable i se
obtiene multiplicando su peso b por su desviación
Sujetos
A
B
C
D
E
Inteligencia
general
Inteligencia
verbal
Rendimiento
académico
X1
X2
Y
9
0
6
18
12
8
4
0
12
6
5
1
3
7
4
Identificaremos previamente la matriz X y el
vector Y
X
⎡1
⎢
⎢1
⎢1
⎢
⎢1
⎢
⎢⎣ 1
9 8⎤
⎥
0 4⎥
6 0⎥
⎥
18 12 ⎥
⎥
12 6 ⎥
⎦
Y
⎡5⎤
⎢ ⎥
⎢1⎥
⎢3⎥
⎢ ⎥
⎢7⎥
⎢ ⎥
⎢⎣ 4 ⎥⎦
Nótese que la matriz X está formada por las
puntuaciones de los sujetos en las variables predictoras precedidas por una columna de unos, y el vector Y son las puntuaciones de los sujetos en el criterio o variable a predecir.
Pesos b en puntuaciones directas
Para calcular los pesos b hay que ejecutar paso a
paso las operaciones requeridas por la fórmula [3.24]:
b = (X ′X )−1X ′Y
© Ediciones Pirámide
Validez
Paso 1.
Hallar la traspuesta de X: X ′.
Como es bien sabido, para encontrar la traspuesta de una matriz se convierten sus filas en columnas.
X′
⎡1 1 1 1 1⎤
⎢
⎥
⎢ 9 0 6 18 12 ⎥
⎢ 8 4 0 12 6 ⎥
⎢⎣
⎥⎦
Paso 2.
Efectuar el producto X ′X.
X′
⎡1 1 1 1 1⎤
⎥
⎢
⎢ 9 0 6 18 12 ⎥
⎢ 8 4 0 12 6 ⎥
⎥⎦
⎢⎣
Paso 3.
⎡1
⎢
⎢1
⎢1
⎢
⎢1
⎢
⎢⎣ 1
9 8⎤
⎥
0 4 ⎥ ⎡ 5 45 30 ⎤
⎥
⎢
6 0 ⎥ = ⎢ 45 585 360 ⎥
⎥
18 12 ⎥ ⎢⎢ 30 360 260 ⎥⎥
⎦
⎥ ⎣
12 6 ⎥
⎦
Calcular la matriz inversa (X ′X )−1.
El cálculo de la inversa de una matriz requiere
dividir la matriz traspuesta de los adjuntos entre el
determinante:
A−1 =
[adj (A)]′
A
Por tanto, es necesario el cálculo del determinante y de los adjuntos, lo cual realizaremos por
medio de cinco subpasos.
1. Cálculo del determinante.
A = (5)(585)(260) + (45)(360)(30) +
+ (30)(45)(360) − (30)(585)(30) −
− (5)(360)(360) − (45)(45)(260) = 31.500
2. Cálculo de los menores.
a11 = (585)(260) − (360)(360) = 22.500
a12 = (45)(260) − (30)(360) = 900
a13 = (45)(360) − (30)(585) = −1.350
a21 = (45)(260) − (30)(360) = 900
© Ediciones Pirámide
a22 = (5)(260) − (30)(30) = 400
a23 = (5)(360) − (45)(30) = 450
a31 = (45)(360) − (30)(585) = −1.350
a32 = (5)(360) − (30)(45) = 450
a33 = (5)(585) − (45)(45) = 900
3. Matriz de adjuntos.
La matriz de adjuntos se obtiene a partir
de los menores obtenidos en el paso anterior del siguiente modo: si los subíndices del
menor suman impar, se le cambia el signo y
si suman par se mantiene el que tiene.
[adj (A)]
X ′X
X
/ 123
⎡ 22.500 −900 −1.350 ⎤
⎢
⎥
⎢ −900 400 −450 ⎥
⎢ −1.350 −450
900 ⎥⎥
⎢⎣
⎦
4. Traspuesta de la matriz de adjuntos.
Será la misma del subpaso anterior 3,
dado que la traspuesta de una matriz simétrica como esta es ella misma.
5.
Se divide la traspuesta entre el determinante, obteniéndose (X ′X )−1.
( X ′X )−1
⎡
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎢⎣
22.500 −900 −1.350 ⎤
⎥
31.500 31.500 31.500 ⎥
⎥
−900
400
−450 ⎥
31.500 31.500 31.500 ⎥
⎥
−1.350 −450
900 ⎥
⎥
31.500 31.500 31.500 ⎥
⎦
Paso 4. Se multiplica X ′ por Y.
X′
⎡1 1 1 1 1⎤
⎥
⎢
⎢ 9 0 6 18 12 ⎥
⎢ 8 4 0 12 6 ⎥
⎥⎦
⎢⎣
Y
X ′Y
⎡5⎤
⎢ ⎥
⎢ 1 ⎥ ⎡ 20 ⎤
⎢ 3 ⎥ = ⎢ 237 ⎥
⎥
⎢ ⎥ ⎢
⎢ 7 ⎥ ⎢⎢ 152 ⎥⎥
⎦
⎢ ⎥ ⎣
⎢⎣ 4 ⎥⎦
124 /
Introducción a la Psicometría
Paso 5.
Se multiplica (X ′X )−1 por (X ′Y).
( X ′X )−1
⎡
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎢⎣
X ′Y
22.500 −900 −1.350 ⎤
⎥
31.500 31.500 31.500 ⎥ ⎡ 20
⎥⎢
−900
400
−450 ⎥ ⎢
237
31.500 31.500 31.500 ⎥ ⎢
⎢
⎥
152
−1.350 −450
900 ⎥ ⎢⎣
⎥
31.500 31.500 31.500 ⎥
⎦
b
⎤ ⎡ 0,99 ⎤
⎥ ⎢
⎥
⎥ ⎢
⎥
⎥ = ⎢ 0,26 ⎥
⎥ ⎢
⎥
⎥ ⎢ 0,10 ⎥
⎦ ⎣
⎦
Por tanto, b0 = 0,99, b1 = 0,26 y b2 = 0,10, pudiendo escribirse la ecuación de regresión en puntuaciones directas como sigue:
Y ′ = 0,99 + 0,26X1 + 0,10X2
−1
Cxx
⎡ 16
⎢
⎢ 252
⎢
⎢ −18
⎢ 252
⎣
−18 ⎤
⎥ ⎡
⎤ ⎡
⎤
252 ⎥ ⎢ 11,4 ⎥ ⎢ 0,26 ⎥
=
⎥ ⎢
⎥ ⎢
⎥
36 ⎥ ⎢ 6,4 ⎥ ⎢ 0,10 ⎥
⎣
⎦
⎣
⎦
252 ⎥
⎦
Luego la ecuación de regresión en puntuaciones
diferenciales viene dada por:
y′ = 0,26x1 + 0,l0x2
que es la misma que en directas sin el término independiente b0.
Ecuación de regresión en puntuaciones típicas
La ecuación de regresión en puntuaciones típicas se obtiene según [3.26]:
Ecuación de regresión en puntuaciones
diferenciales
Para obtener los pesos b en puntuaciones diferenciales seguimos los pasos indicados por la
fórmula [3.25]:
−1
B = Cxx
Cxy
Las varianzas y covarianzas necesarias para configurar la matriz Cxx y el vector Cxy vienen dadas por:
cov (X 1 , X 2 ) = 18
cov (X 1 ,Y ) = 11,4
cov (X 2 ,Y ) = 6,4
var (X 1 ) = 36
var (X 2 ) = 16
Cxx
Cxy
⎡ 36 18 ⎤
⎢
⎥
⎢⎣ 18 16 ⎥⎦
⎡ 11,4 ⎤
⎢
⎥
⎢⎣ 6,4 ⎥⎦
Determinante de Cxx:
(36)(16) − (18)(18) = 252
b
Cxy
−1
b = Rxx
Rxy
Dado que la correlación entre X1 y X2 es 0,75;
entre X1 e Y, 0,95, y entre X2 e Y, 0,80, se puede
expresar en forma matricial:
Rxy
R xy
⎡ 1,00 0,75 ⎤
⎢
⎥
⎢⎣ 0,75 1,00 ⎥⎦
⎡ 0,95 ⎤
⎢
⎥
⎢⎣ 0,80 ⎥⎦
El determinante de Rxx será:
(1)(1) − (0,75)(0,75) = 0,4375
−1
Rxx
⎡ 1
−0,75 ⎤
⎢
⎥
⎢ 0,4375 0,4375 ⎥
⎢
⎥
⎢ −0,75
1 ⎥
⎢
⎥
⎢⎣ 0,4375 0,4375 ⎥⎦
R xy
b
⎡ 0,95 ⎤ ⎡ 0,80 ⎤
⎢
⎥ ⎢
⎥
⎢
⎥=⎢
⎥
⎢⎣ 0,80 ⎥⎦ ⎢⎣ 0,20 ⎥⎦
Por tanto, la ecuación de regresión en puntuaciones típicas viene dada por la expresión:
Zy′ = 0,80Zx1 + 0,20Zx2
© Ediciones Pirámide
Validez
Aunque más adelante se precisará esta afirmación, a la vista de la ecuación de regresión puede
observarse que la variable X1 tiene más peso (0,80),
más importancia, a la hora de pronosticar Y que X2
(0,20). En términos de nuestro ejemplo, la inteligencia general sería más importante que la inteligencia
verbal para pronosticar el rendimiento académico.
Nótese que, una vez estimados los pesos de las
variables predictoras, se pueden someter a prueba
diferentes hipótesis acerca de ellos, según los objetivos del investigador, siendo de especial relevancia
conocer si los pesos estimados resultan estadísticamente significativos para la predicción del criterio,
que abordaremos al tratar de la correlación múltiple.
Calculemos la correlación múltiple para los datos del ejemplo del apartado anterior. Recuérdese
que allí los pesos b eran, respectivamente, 0,26 y
0,10, las covarianzas eran 11,4 y 6,4 y la varianza
de Y era 4, es decir:
⎡ 11,4 ⎤
⎥ ; S y2 = 4
b ′ = ⎡ 0,26 0,10 ⎤ ; C xy = ⎢
⎣
⎦
⎢⎣ 6,4 ⎥⎦
Por tanto, aplicando [3.27]:
Ry2′y
4.2.2. Correlación múltiple
Se entiende por correlación múltiple la correlación entre los pronósticos (Y ′) hechos a partir de la
ecuación de regresión y el criterio (Y ). Ry′y indica,
por tanto, en qué medida las variables predictoras
tomadas conjuntamente permiten predecir el criterio. Elevada al cuadrado, la correlación múltiple
expresa la proporción de varianza asociada (pronosticable) entre el criterio y las variables predictoras tomadas conjuntamente, es decir, Ry′2 = S y′2 /S y2,
donde S y′2 es la varianza asociada y S y2 la varianza
del criterio. Así, por ejemplo, si tuviésemos una correlación múltiple de 0,80, ello indicaría que el 64 %
[(0,80)2 = 0,64] de la varianza del criterio sería pronosticable a partir de las variables predictoras.
2
Ry′y
viene dado por la conocida fórmula (aquí
en puntuaciones diferenciales) de la correlación:
2
Ry′y
= (∑ y′y/NSy′Sy)2, que, expresado en forma matricial, se convierte en:
b ′C xy
[3.27]
Ry2′y =
S y2
donde
b′:Vector traspuesto de los pesos de las variables predictoras.
Cxy:Vector de covarianzas entre el criterio y las
variables predictoras.
S y2: Varianza del criterio.
© Ediciones Pirámide
/ 125
⎡ 11,4 ⎤
⎡ 0,26 0,10 ⎤ ⎢
⎥
⎣
⎦ ⎢ 6,4 ⎥
⎣
⎦ = 0,9
=
4
La correlación múltiple al cuadrado es 0,9, que,
en términos de nuestro problema, significaría que el
90 % de la varianza del rendimiento académico es
pronosticable a partir de la inteligencia general y de
la inteligencia verbal tomadas conjuntamente.
La correlación múltiple puede expresarse también en términos de los pesos b:
2
Ry′y
= bRxy
[3.28]
donde
b: Vector de pesos b traspuesto.
Rxy:Vector de correlaciones entre el criterio y
las variables predictoras.
Que aplicado a los datos de nuestro ejemplo
arroja obviamente los mismos resultados:
⎡ 0,95 ⎤
⎥ = 0,9
Ry2′y = ⎡ 0,80 0,20 ⎤ ⎢
⎣
⎦ ⎢ 0,80 ⎥
⎣
⎦
2
viene
Finalmente, en puntuaciones directas Ry′y
dado por:
2
N
1∑Y 2 / N
Y ′Y − 1∑ Y 2 / N
b ′X ′Y −
Ry2′y =
i
i =1
N
i =1
2
i
126 /
Introducción a la Psicometría
que para nuestros datos:
Ry2′y =
que se distribuye según F con K y (N − K − 1) grados de libertad.
98 − 80
= 0,9
100 − 80
Ejemplo
2
a) Estimador insesgado de Ry′y
(N − 1)(1 − Ry2′y )
[3.29]
ρ y2′y = 1 −
N − K −1
En una muestra de 100 personas se encontró
una correlación múltiple de 0,60 para una ecuación
de regresión con cinco variables predictoras. Al nivel
de confianza del 95 %, ¿puede afirmarse que la correlación hallada es estadísticamente significativa?
donde
N: Número de sujetos de la muestra.
K: Número de variables predictoras.
Ry′y: Correlación múltiple en la muestra.
A esta corrección de Ry′y se la denomina a veces
«ajuste», por ejemplo, en el paquete de programas
estadísticos SPSS.
Comprobación de hipótesis acerca de la cob)
rrelación múltiple
Existen dos tipos de hipótesis de especial interés
acerca de la correlación múltiple:
1. Significación estadística de la correlación.
2. Significación estadística de las diferencias.
b.1. Significación estadística de la correlación
Tal vez la primera pregunta tras calcular la correlación múltiple en una muestra sea si esta es esta­
dísticamente significativa, es decir, si el valor hallado
es compatible con la hipótesis de que el verdadero
valor en la población sea cero:
H 0 : ρ y2′y = 0
H1: ρ y2′y ≠ 0
En cuyo caso el estadístico de contraste viene
dado por:
Ry2′y
N − K −1
F =
[3.30]
K
1 − Ry2′y
1
21
2
F =
1
21
2
100 − 5 − 1
0,60 2
= 10,575
5
1 − 0,60 2
Dado que el valor crítico de F en las tablas correspondientes con 5 y 94 grados de libertad es 2,67, menor que 10,575, rechazamos la hipótesis nula, afirmando que la correlación múltiple es estadísticamente
significativa al nivel de confianza del 95 %. Si además
de estadísticamente significativa es psicológicamente
relevante, es cuestión que el investigador tendrá que
indagar y decidir allegando más datos y contemplándola a la luz de su marco teórico de referencia.
b.2.
Significación estadística de las diferencias
La segunda hipótesis de interés se refiere a la significación estadística de la diferencia entre dos correlaciones múltiples en la situación que se describe a
continuación. Todo investigador intenta encontrar
modelos lo más parsimoniosos posible; así, por ejemplo, si ha construido un modelo de regresión con cinco variables predictoras, podría plantearse si ello supondrá alguna mejora sensible respecto a tener solo
tres de ellas. En otras palabras, se plantea si un modelo más parsimonioso, con solo tres predictores, es
igualmente eficaz para pronosticar el criterio. Una
estrategia posible para abordar esa situación será calcular la correlación múltiple de las cinco variables
con el criterio, calcularla asimismo con tres y ver si
la diferencia resulta estadísticamente significativa. Si
no resultase, sería legítimo estadísticamente utilizar
el modelo de tres predictores en vez del de cinco.
El estadístico de contraste que permite someter
a pruebas la citada hipótesis:
H0: rY2 k′Y − rY2 p′Y = 0
,
p<k
© Ediciones Pirámide
Validez
viene dado por:
N − k − 1 RYk′Y − RY p′Y
[3.31]
F =
k− p
1 − RY2k′Y
1
21
2
2
2
que se distribuye según F con (k − p) y (N − k − 1)
grados de libertad y donde:
N: Número de sujetos.
k y p: Número de predictores con p < k.
Ry′kyRy′py:Correlaciones múltiples con k y p predictores, respectivamente.
En una muestra de 100 personas, la correlación
múltiple (al cuadrado) de seis variables predictoras
con cierto criterio fue de 0,80 (R2y′6y = 0,80). La correlación con ese mismo criterio pero utilizando
solo cuatro de las variables predictoras anteriores
resultó ser 0,78 (R2y′4y = 0,78). Al nivel de confianza
del 95 %, ¿pueden eliminarse del modelo las variables predictoras 5 y 6 sin una pérdida sustancial de
su capacidad predictiva?
H 0 : ρ y26′ y − ρ y24′ y = 0
1
21
100 − 6 − 1
6−4
2
0,80 − 0,78
= 4,65
1 − 0,80
En las tablas el valor crítico de F con 2 y 93
grados de libertad es 3,07, menor que 4,65; luego,
como la diferencia resulta estadísticamente significativa, se rechaza la hipótesis nula, lo que indicaría
que las variables predictoras 5 y 6 contribuyen significativamente al pronóstico del criterio. Nótese,
no obstante, que su inclusión solo aumenta en dos
centésimas el valor de la correlación múltiple al
cuadrado (0,80 − 0,78 = 0,02), lo que da pie para
plantearse la recurrente polémica de la significación
estadística versus la significación psicológica.
Error típico de estimación
Como ya se ha indicado al tratar la regresión
simple, en el modelo de regresión los pronósticos no
© Ediciones Pirámide
coincidirán exactamente con las puntuaciones reales en el criterio. Lo único que garantiza el modelo
es que los errores cometidos serán mínimos, según
el criterio de mínimos cuadráticos. A los errores cometidos al pronosticar, es decir, a la diferencia
(Y ′ − Y ), se les denomina «errores de estimación»,
y a su desviación típica (Sy · x), «error típico de estimación»:
∑ (Y ′ − Y )2
[3.32]
Sy · x =
N
La fórmula [3.32] refleja directamente el concepto del error típico de estimación, aunque su
cálculo suele hacerse más bien en términos matriciales:
Ejemplo
F =
/ 127
Yt Y − b ′X ′ Y
[3.33]
Sy · x =
N
donde todos los términos son los citados al exponer
el modelo de regresión, con Yt como vector traspuesto de Y, usándose aquí la t para evitar su confusión con los pronósticos (Y ′).
Si se dispone de la correlación múltiple, hecho
habitual, el cálculo más sencillo de Sy · x se realiza
mediante:
S y · x = S y 1 − Ry2′y
[3.34]
Un estimador insesgado del valor de Sy · x en la
población viene dado por:
N
[3.35]
S y*· x = S y · x
N − k −1
siendo N el número de sujetos de la muestra y k el
número de variables predictoras.
El error típico de estimación es otra forma de
expresar el grado de ajuste entre el criterio y los
pronósticos hechos a partir de las variables predictoras mediante la ecuación de regresión. Si todos
los pronósticos coincidiesen exactamente con los
valores reales del criterio, entonces Y ′ − Y = 0. No
habría errores de estimación; por ende, su desvia-
128 /
Introducción a la Psicometría
ción típica (el error típico de estimación) también
sería 0, o, lo que es lo mismo, la correlación múltiple sería 1. Valiéndose de S*y · x pueden establecerse
intervalos confidenciales en torno a Y ′, utilizando
t con N − k − 1 grados de libertad.
4.2.3. Correlación parcial y semiparcial
Existen numerosas situaciones en las que los investigadores están interesados en el estudio de la
relación entre dos variables controlando el influjo
de una tercera, o de varias. Cuando ello es posible,
el mejor método de control es el experimental. Por
ejemplo, si se está investigando la relación entre la
inteligencia y el rendimiento académico, y se quiere
controlar, mantener fija, la motivación, que lógicamente puede estar afectando a dicha relación, la
mejor forma de hacerlo sería trabajar con sujetos
todos ellos con la misma motivación (control experimental). Ahora bien, en psicología eso no siempre
es posible, fácil casi nunca, por lo que a veces el
único control posible es el control estadístico mediante la correlación parcial, la cual permite, en
ciertos supuestos, calcular la correlación entre dos
variables eliminando el influjo de una tercera, o, en
el caso multivariado, el influjo de n.
La lógica del método es la siguiente. Supongamos que se desea correlacionar el criterio Y con la
variable X, eliminando el influjo de Z. Pues bien,
mediante las ecuaciones de regresión correspondientes se pronostican X e Y a partir de Z. La correlación parcial es la correlación entre las diferencias (Y ′ − Y ) y (X ′ − X ), es decir, es la correlación
entre X e Y una vez que se les ha restado a ambas
aquello que tienen de pronosticable a partir de Z.
Nótese que al restar de X y de Y lo pronosticable a
partir de Z, lo que queda, las diferencias, es lo que
no depende de Z. Si se desea controlar el efecto no
solo de una variable, como en este caso, sino de
varias tomadas conjuntamente, la lógica es exactamente la misma; lo único que varía es que para pronosticar X e Y en vez de una recta de regresión habrá que utilizar una ecuación de regresión con
aquellas n variables cuyo influjo se desea controlar.
La fórmula general para el cálculo de la correlación parcial vendría dada por la fórmula general
de la correlación de Pearson en puntuaciones diferenciales aplicada a las restas citadas, es decir:
∑ ( y ′ − y)( x ′ − x)
rxy ⋅ z =
[3.36]
NS( y′ − y )S( x ′ − x )
donde x′ e y′ son los pronósticos de las variables x
e y a partir del vector de variables Z cuyo efecto se
quiere eliminar, N es el número de sujetos, S(y′ − y) y
S(x′ − x) son las desviaciones típicas de los errores de
estimación correspondientes, o errores típicos de estimación (Sy · z, Sx · z).
En el caso de solo tres variables, todos los pasos
anteriores pueden resumirse en la siguiente expresión:
rxy − rzy rzx
rxy ⋅ z =
[3.37]
1 − rzx2 1 − rzy2
donde X e Y son las variables a correlacionar y Z
la variable cuyo efecto se desea eliminar.
Ejemplo
En una muestra de escolares se obtuvo una correlación entre inteligencia (X ) y rendimiento académico (Y ) de 0,60. A su vez, la correlación entre
la inteligencia y la motivación de logro (Z) fue de
0,40, y entre la motivación y el rendimiento, de 0,80.
¿Cuál sería la correlación entre el rendimiento y la
inteligencia si se eliminase el influjo de la motivación de logro?
rxy ⋅ z =
0,60 − (0,80)(0,40)
1 − 0,40 2 1 − 0,80 2
= 0,50
Al eliminar el efecto de la motivación de logro,
la correlación entre el rendimiento y la inteligencia
baja de 0,60 a 0,50.
Correlación semiparcial
Como se acaba de señalar, en la correlación
parcial entre dos variables se elimina el influjo de
una tercera, o de varias, sobre las dos que se correlacionan. Pues bien, en el caso de la correlación semiparcial, como su nombre indica, solo se elimina
el influjo sobre una de ellas. La lógica es exacta© Ediciones Pirámide
Validez
mente igual que en la correlación parcial, pero aquí
solo se ejerce el control sobre una de las variables
correlacionadas. Por ejemplo, y utilizando la terminología anterior, la correlación semiparcial entre X
e Y controlando el efecto de Z sobre X vendría
dada por:
∑ (x − x ′ )y
[3.38]
r( x − x ′ ) y =
NS( x − x ′ )S y
donde x′ son los pronósticos de x a partir del vector
de variables Z cuyo efecto se desea parcializar.
Para el caso de solo tres variables [3.38] puede
expresarse:
rxy − rzx rzy
[3.39]
r( x − x ′ ) y =
1 − rzx2
Para el ejemplo anterior, si solo se controlase el
efecto de la motivación de logro (Z) sobre la inteligencia (X ), la correlación semiparcial entre inteligencia y rendimiento sería:
r( x − x ′ ) y =
0,60 − (0,40)(0,80)
1 − 0,40 2
= 0,30
El concepto de correlación semiparcial es de
suma importancia para entender cabalmente la regresión y correlación múltiples. Así, lo que aumenta la correlación múltiple al añadir una variable
predictora a la ecuación de regresión es precisamente la correlación semiparcial de esa variable predictora añadida con el criterio, parcializando el influjo
sobre ella de las otras variables predictoras que ya
estaban incluidas en el modelo. En la técnica del
análisis de covarianza también se utiliza la lógica de
la correlación semiparcial.
Selección de la mejor ecuación de regresión
Como acabamos de ver en los apartados precedentes, el modelo de regresión múltiple permite estimar los pesos de las variables predictoras que el
investigador ha incluido en el análisis, pero en muchas ocasiones resulta que no todas las variables
incluidas son relevantes para la predicción del cri© Ediciones Pirámide
/ 129
terio. Existen diversos métodos estadísticos para
descartar las variables no significativas para la predicción, y una buena revisión puede consultarse en
Hocking (1976), Younger (1979) o Draper y Smith
(1981). Uno de los métodos más utilizados es el
step­wise (paso a paso), implementado en la mayoría
de los programas de ordenador. La lógica general
del método, que no su exposición detallada (acúdase para ello a la literatura especializada citada),
consiste en lo siguiente.
Supóngase, por ejemplo, que un investigador ha
utilizado K variables predictoras y desea saber si
puede disponer de un modelo más parsimonioso
(que incluya menos variables predictoras), que explique un porcentaje de varianza del criterio similar al
explicado por los K predictores. Pues bien, el método stepwise empieza cogiendo una de esas variables
predictoras y va añadiendo las otras, una a una,
paso a paso. ¿Con qué criterio lo hace? ¿Cuándo se
para? La primera que elige, lógicamente, es la que
mayor correlación tenga con el criterio. La segunda
será aquella cuya correlación semiparcial con el criterio (parcializando el influjo de la ya admitida en
primer lugar) sea más elevada. En tercer lugar, incluirá aquella cuya correlación semiparcial con el
criterio (eliminando el influjo de las dos ya admitidas) sea mayor, y así sucesivamente. En cada uno de
estos pasos se reanalizan las variables incluidas y
eventualmente alguna de ellas puede descartarse de
nuevo. El proceso de entrada de nuevas variables se
detiene cuando al añadir otra la correlación múltiple
con el criterio no se incrementa significativamente,
es decir, la nueva variable no añade información significativa sobre el criterio respecto de la aportada
por las ya incluidas. La significación estadística de
esa diferencia puede evaluarse mediante el estadístico de contraste propuesto en [3.31]. Los paquetes
estadísticos como el SPSS y otros muchos ofrecen
salidas con el comportamiento estadístico de las variables en cada paso.
El método stepwise es del tipo forward (hacia
adelante), pues empieza seleccionando una variable
y continúa añadiendo otras según la lógica expuesta. Hay otros métodos de tipo backward (hacia
atrás), que empiezan incluyendo todas las variables
predictoras en la ecuación y luego van descartando
las menos relevantes.
En general, si bien los diferentes métodos se
prestan a interesantes y justificadas polémicas esta-
130 /
Introducción a la Psicometría
dísticas, a nivel empírico tienden a converger razonablemente.
Validez incremental
Suele denominarse «validez incremental de una
variable» al aumento experimentado por la correlación múltiple al incluir dicha variable en el modelo
de regresión.
Validez cruzada
Los pesos de las variables predictoras se estiman en una muestra de personas determinada.
Cabe, pues, preguntarse si esas estimaciones son invariantes, es decir, si serían las mismas calculadas
en una muestra diferente de sujetos. Dícese haber
validez cruzada cuando se da dicha invarianza. Una
forma de saberlo empíricamente es elaborar la ecuación de regresión en diferentes muestras y luego
comparar los pesos y correlaciones múltiples obtenidos. Las diferencias entre las muestras no han de
ser estadísticamente significativas. Nótese que no es
infrecuente cuando las variables predictoras están
muy intercorrelacionadas (multicolinealidad) obtener correlaciones múltiples similares con pesos bien
distintos para las variables predictoras.
4.2.4. Variables moduladoras y supresoras
Se denomina «variables moduladoras» (Saunders, 1956) a aquellas que modulan, afectan, modifican la validez. Por ejemplo, una ecuación de regresión para predecir el rendimiento académico a
partir de ciertos test puede tener diferente eficacia
(validez diferencial) según los sujetos sean de clase
social alta o baja, es decir, su validez viene modulada por la variable clase social. La literatura psicológica está plagada de ejemplos al respecto; véase,
por ejemplo, Anastasi (1988). En estas circunstancias, o bien se utilizan ecuaciones de regresión distintas de acuerdo con la variable moduladora, en
nuestro caso una ecuación para la clase social alta
y otra para la baja, o en algunos casos sería posible
elaborar una ecuación de regresión no lineal, hoy
factible gracias a los ordenadores. Un buen análisis
sobre las variables moduladoras puede consultarse
en Zedeck (1971), y una discusión actualizada de
algunos problemas estadísticos implicados, en Bob­
ko (1986), Cronbach (1987), Dunlap y Kemery
(1987), Lubinski y Humphreys (1990), McClelland
y Judd (1993) o Morris et al. (1986).
Variables supresoras
Se denominan así aquellas variables que, paradójicamente, aun sin correlacionar con el criterio, si
se las incluye en la ecuación de regresión mejoran
la precisión de los pronósticos, la validez predictiva.
La explicación radica en las correlaciones de estas
variables con las otras predictoras incluidas en la
ecuación de regresión, a las que añaden varianza
irrelevante que reduce su correlación con el criterio.
De ahí que si se incluyen estas variables supresoras
en la ecuación de regresión se elimine esa varianza
indeseada, potenciándose la relación de las otras
con el criterio. Horst (1966) encontró, por ejemplo,
que la inteligencia mecánica, la inteligencia numérica y la inteligencia espacial eran buenos predictores del éxito pilotando un avión, pero no así la inteligencia verbal. Sin embargo, al incluir esta en la
ecuación de regresión, mejoraban las predicciones.
La explicación más plausible es que la inteligencia
verbal correlacionaba bastante con los otros tres tipos de inteligencia, y al incluirla en la ecuación permitía descontar aquella parte de las puntuaciones
de los sujetos en inteligencia mecánica, numérica y
espacial debida al mero hecho de tener una buena
inteligencia verbal, con lo que se «purificaban de
verbo» los predictores, mejorando los pronósticos.
Aunque interesantes a nivel conceptual, en la lite­
ratura empírica no es frecuente la presencia de variables supresoras. Análisis detallados de la problemática implicada en este tipo de variables pueden
consultarse en Conger (1974) o Tzelgov y Stern
(1978).
4.3. Validez y decisión
En numerosas situaciones aplicadas el criterio
que se pretende predecir solo toma dos valores, por
ejemplo, aprobar-suspender, enfermo-no enfermo,
admitido-rechazado, etc. En estos casos tiene poco
sentido establecer la validez de la prueba mediante
un coeficiente de correlación, aunque se puede hacer, pero se trata más bien de comprobar si las cla© Ediciones Pirámide
Validez
sificaciones hechas por el test son las adecuadas, es
decir, si las decisiones tomadas a partir de las puntuaciones de las personas en el test coinciden con
las del criterio. El caso más habitual es que los jueces clasifiquen a las personas en dos categorías y las
puntuaciones en el test predictor se dicotomicen
por determinado punto de corte, obteniéndose una
tabla de contingencia de 2 × 2. En esta situación, si
el test fuese perfectamente válido, las clasificaciones
hechas a partir de las puntuaciones de las personas
en él serían idénticas a las realizadas por los expertos (criterio). Por tanto, en este contexto el estudio
de la validez de las pruebas se refiere al análisis de
la convergencia entre las decisiones tomadas a partir de la prueba y las del criterio, habitualmente expertos, aunque otras opciones son posibles. Esta
concordancia o discordancia clasificatoria puede
evaluarse mediante varios índices y estrategias que
se expondrán a continuación.
4.3.1.
Índices de validez
Veamos la lógica de los distintos índices propuestos mediante un ejemplo numérico. Sea una muestra
de 12 personas que han sido diagnosticadas (criterio)
por un equipo de psicólogos en dos grupos: las que
necesitan terapia antidepresiva (TE ) y las que no la
necesitaban (NT ). A esas mismas 12 personas se les
aplicó una escala de depresión de 10 puntos, obteniéndose los resultados de la tabla adjunta:
Personas
Escala
Diagnóstico
A
B
C
D
E
F
G
H
I
J
K
L
6
6
7
8
5
8
4
9
3
7
7
10
NT
TE
TE
NT
NT
TE
NT
TE
NT
TE
NT
TE
Se considera que toda persona que obtenga 7
puntos o más en la escala de depresión necesita te© Ediciones Pirámide
/ 131
rapia. ¿Cuál es la validez de la escala para predecir
las personas que necesitan terapia?
Para responder a esta pregunta podría procederse tal como se indicó hasta ahora para estimar
el coeficiente de validez, es decir, calculando la correlación entre la escala y los diagnósticos (criterio).
Nada lo impide, y sería correcto, se obtendría un
indicador de la validez de la escala, pero resultaría
demasiado general; por ejemplo, no informaría de
los distintos tipos de errores cometidos al clasificar
mediante la escala, lo cual es muy importante, pues,
como luego se verá, no todos los tipos de errores
tienen la misma importancia en todas las situaciones. En este contexto, más que mediante un coeficiente de correlación, la validez se va a analizar en
función de la coincidencia entre las decisiones hechas a partir del test y las obtenidas en el criterio.
Es importante entender que ambos conceptos no se
oponen, convergen, pero el estudio de la concordancia de las decisiones permite un análisis más detallado que el mero cálculo de la correlación.
Para responder a la pregunta del ejemplo, lo
primero que hay que hacer es elaborar una tabla
de contingencia de 2 × 2 en la que se reflejen las
decisiones hechas a partir de la escala una vez fijado el punto de corte. Compruebe el lector que, a
partir de los datos del ejemplo con el punto de corte establecido en 7 puntos, se generaría la siguiente tabla:
Escala
No terapia
Terapia
Terapia
l
5
No terapia
4
2
Diagnóstico
Como se puede observar, los datos de la tabla
se reparten del siguiente modo:
—
Falsos positivos: 2. Son las dos personas (D
y K) que la escala detecta como necesitadas
de terapia, mientras que los expertos (criterio) consideran que no la necesitan.
Falsos negativos: 1. Según la escala, la per—
sona B no necesita terapia; sin embargo, los
expertos consideran que sí.
132 /
Introducción a la Psicometría
—
Aciertos: 9. Son las personas correctamente
clasificadas, cinco que según la escala requieren terapia, y así es según los expertos, y cuatro que la escala predice que no la necesitan,
coincidiendo en ello con los expertos.
A partir de esos datos pueden obtenerse diversos indicadores de la validez de la escala para pronosticar el criterio:
Proporción de clasificaciones correctas
Es la proporción de clasificaciones correctas hechas a partir del test. Para nuestros datos vendría
dado por:
Pc =
5+4
= 0,75
12
La especificidad será máxima cuando no existan falsos positivos.
Nótese que, según las circunstancias de cada
situación, se puede desear maximizar o bien la sensibilidad, o bien la especificidad, idealmente ambas, claro. Con frecuencia ambos índices se utilizan
en porcentajes, multiplicando el valor obtenido
por 100.
Coeficiente kappa
Este coeficiente, expuesto al tratar la fiabilidad
de los test referidos al criterio, ofrece un indicador
general de la validez de las clasificaciones hechas
por el test. Su fórmula (véase el subepígrafe 9.2 del
capítulo 2) viene dada por:
K =
Sensibilidad
Proporción de personas correctamente detectadas por la escala respecto del total de casos existentes según los expertos.
En nuestro ejemplo, según los expertos hay seis
personas que necesitarían terapia, de las cuales cinco son correctamente detectadas por la escala. Por
tanto, la sensibilidad de la escala viene dada por:
S =
5
= 0,83
6
La sensibilidad será máxima cuando no haya
falsos negativos.
Especificidad
Proporción de personas correctamente consideradas por la escala como no necesitadas de terapia
respecto del total de personas que según los expertos no necesitan terapia.
De las seis personas que según los expertos no
necesitan terapia, nuestra escala identifica correctamente a cuatro; por tanto, la especificidad viene
dada por:
E =
4
= 0,67
6
Fc − Fa
N − Fa
Aplicando la fórmula a los datos de la tabla de
contingencia del ejemplo:
Fc = 5 + 4 = 9
Fa =
6×7 6×5
+
=6
12
12
K =
9−6
= 0,5
12 − 6
Puesto que el valor máximo del coeficiente
kappa es 1, la validez de la escala como predictor
de las clasificaciones de los expertos es moderada.
Parece contrastar este dato con la proporción de
aciertos totales, que era 0,75, pero no se olvide
que en ese valor de 0,75 están incluidas las clasificaciones correctas debidas al mero azar; lo que
hace el coeficiente kappa es corregir esa anomalía, restando de los aciertos aquellos debidos al
azar.
La utilización de un indicador u otro depende
de los intereses del investigador y profesional en
cada momento y del tipo de errores que se pretenda
minimizar (véase el cuadro «Índices de validez de
decisión» de la página siguiente).
© Ediciones Pirámide
Validez
Índices de validez de decisión
Test
No caso
Caso
Caso
a
b
No caso
c
d
Criterio
a: Falsos negativos.
b: Verdaderos positivos.
c: Verdaderos negativos.
d: Falsos positivos.
b+c
a+b+c+d
b
Sensibilidad:
a+b
c
Especificidad:
c+d
F − Fa
Kappa: K = c
N − Fa
Aciertos totales:
donde: Fc = b + c
(a + c)(c + d ) + (b + d )(a + b)
a+b+c+d
N = a+b+c+d
Fa =
4.3.2. Incidencia del punto de corte
en los tipos de errores
Veamos con algo más de detenimiento los distintos tipos de errores en función de los puntos de
corte establecidos. En el ejemplo de la escala de
depresión se estableció que se consideraría necesitadas de tratamiento a todas aquellas personas
que obtuviesen 7 puntos o más. Pero, ¿por qué 7
puntos y no otro valor? ¿Qué valor del punto de
corte hace más precisas las clasificaciones de la
escala? Este es un asunto importante, la validez
de la escala va a depender del punto de corte,
pero no solo de eso, sino también de la importancia
que demos a los dos tipos de errores cometidos: falsos positivos y falsos negativos. A continuación se
ofrecen los errores cometidos al considerar todos
los puntos de corte posibles, desde 1 hasta 10. Compruebe el lector los resultados, obtenidos a partir de
los datos originarios del ejemplo:
© Ediciones Pirámide
/ 133
Punto
de corte
Falsos
positivos
Falsos
negativos
Total
errores
1
2
3
4
5
6
7
8
9
10
6
6
6
5
4
3
2
1
0
0
0
0
0
0
0
0
1
3
4
5
6
6
6
5
4
3
3
4
4
5
A la vista de estos datos, la pregunta es: ¿dónde
resulta más eficaz ubicar el punto de corte?; en otras
palabras, ¿qué punto de corte maximiza las clasificaciones correctas? Bien, la respuesta no es directa sin
más. Por un lado, parece claro que el punto de corte
con el que menos errores totales se cometen es o bien
6 (tres errores) o bien 7 (tres errores). Debería dar
igual elegir el 6 o el 7, pero si nos fijamos un poco más,
se observa que los tres errores del 6 provienen los tres
de falsos positivos, mientras que con respecto a los del
7, dos provienen de falsos positivos y uno de falsos
negativos. De modo que la elección de 6 o 7 dependerá de cómo valoremos los dos tipos de errores. Si, por
ejemplo, la terapia antidepresiva es barata y carece de
efectos secundarios, podría ser más grave dejar a alguien que la necesita sin ella (falsos negativos) que administrarla a alguien que no la necesitase (falsos positivos). Si este fuera el caso, elegiríamos como punto de
corte 6 frente a 7. Por ejemplo, imaginemos que el
equipo de profesionales considera el triple de graves
los falsos negativos que los falsos positivos. Bajo esta
ponderación, recalculamos todos los errores totales
(T ′), multiplicando los falsos negativos por 3:
Punto de corte
Errores totales ponderados
1
2
3
4
5
6
7
8
9
10
6 + 3(0) = 6
6 + 3(0) = 6
6 + 3(0) = 6
5 + 3(0) = 5
4 + 3(0) = 4
3 + 3(0) = 30
2 + 3(1) = 5
1 + 3(3) = 10
0 + 3(4) = 12
0 + 3(5) = 15
134 /
Introducción a la Psicometría
Es evidente que bajo ese criterio establecer el punto
de corte en 7 es más gravoso (cinco errores) que hacerlo en 6 (tres errores). Muchas situaciones son pensables,
dependerá en cada caso particular el que unos errores
sean más importantes que otros. Saberlo es importante,
vital, para el establecimiento del punto de corte. Obsérvese, por ejemplo, cómo para los datos anteriores sin
ponderar el número de errores totales es el mismo
cuando se establece el punto de corte en 4 que cuando
se establece en 10; sin embargo, la naturaleza de los
errores es justamente la contraria; si nos fijásemos únicamente en el número total de errores, podríamos decir
que da igual ubicar el punto de corte en 4 que en 10, lo
cual puede ser incorrecto en muchas situaciones. En
términos de la teoría de la decisión, ello quiere decir
que siempre hay que tener en cuenta la matriz de pagos,
es decir, las penalizaciones correspondientes a los distintos tipos de errores, en relación con los beneficios de
los aciertos. En unos casos interesará minimizar un
tipo de errores y en otros casos tal vez otros.
4.3.3. Curvas ROC
Hemos visto en el apartado anterior la incidencia de los puntos de corte sobre los errores cometidos por un instrumento de medida al realizar clasificaciones. Una forma sistemática de analizar el
funcionamiento del instrumento de medida es mediante la elaboración de la curva ROC de la prueba.
Las curvas ROC (Receiver Operating Characteristic), o en español característica operativa del receptor (COR), tiene sus orígenes en la teoría de la detección de señales (Egan, 1975; Swets, 1996) y
permiten analizar la eficacia de los diagnósticos
clasificatorios de una prueba a medida que se va
variando el punto de corte. Para elaborarla se ubican en el eje de abscisas los valores de la especificidad, en concreto «1 − Especificidad», y en ordenadas, los valores de la sensibilidad. Al ir variando el
punto de corte, se obtiene una curva como la de la
figura 3.3.
1,0
Sensibilidad
0,8
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
1 − Especificidad
Figura 3.3.—Curva ROC.
© Ediciones Pirámide
Validez
Si un test o escala clasificase a las personas al
azar en un determinado criterio, la curva ROC coincidiría con la diagonal del cuadrado. A medida que
se aleja de la diagonal, indica que mejora la capacidad clasificatoria de la prueba. Una forma de cuantificar este alejamiento es calcular el área que deja
la curva ROC por debajo de sí, considerando el cuadrado total como la unidad. Existen numerosos
programas para elaborar las curvas ROC y calcular
el área que dejan por debajo, que van desde Excel,
SAS o SPSS, entre otros. En el caso de la curva del
gráfico se utilizó el programa SPSS para calcular el
área bajo la curva, que fue de 0,80, con un error
típico de 0,02, hallándose el valor poblacional entre
los valores 0,757 y 0,844. El valor del área se encuentra lógicamente entre 0 y 1; a modo orientativo
se ofrecen a continuación los valores del área bajo
la curva para evaluar el funcionamiento del test:
Área
0,5-0,6
0,6-0,7
0,7-0,8
0,8-0,9
0,9-1,0
Funcionamiento
Malo
Flojo
Aceptable
Bueno
Excelente
Estos valores deben tomarse como orientación,
pues un mismo valor puede interpretarse de modo
diferente dependiendo del contexto y de las decisiones a tomar. El programa también ofrece los datos
de la tabla adjunta, que nos indican la sensibilidad
y especificidad de la prueba asociadas a cada punto
de corte establecido. Esta información es muy valiosa, pues nos permite ubicar el punto de corte en función de los valores a maximizar. Nótese cómo al
aumentar la sensibilidad disminuye la especificidad
y viceversa. No existe un punto de corte óptimo
para toda situación, dependerá de lo que nos interese maximizar en cada caso. Una buena guía aplicada
para el uso de las curvas ROC, así como el sofware
correspondiente, puede verse en Lasko et al. (2005).
Punto de corte
Sensibilidad
Especificidad
0,00
0,50
1,000
0,989
0.000
0,021
© Ediciones Pirámide
/ 135
Punto de corte
Sensibilidad
Especificidad
1,50
2,50
3,50
4,50
5,50
6,50
7,50
8,50
9,50
11,00
0,986
0,968
0,932
0,888
0,838
0,791
0,665
0,500
0,227
0,000
0,085
0,170
0,312
0,404
0,539
0,716
0,823
0,901
0,979
1,000
4.4. Selección y clasificación
Las evidencias de validez predictiva de los test,
cuya lógica y operativización se analizaron en los
apartados precedentes dedicados a la regresión,
pueden utilizarse en numerosas áreas aplicadas y
profesionales de psicología, amén de su uso e implicaciones de orden teórico. Una de esas áreas de
aplicación ha sido clásicamente la selección y clasificación de personal, que posee un estatus propio
dentro de las especializaciones profesionales de los
psicólogos, con revisiones monográficas y sistemáticas en el Annual Review (Dunnette y Borman,
1979; Guion y Gibson, 1988; Hakel, 1986; Tenopyr
y Oeltjen, 1982; Zedeck y Cascio, 1984; Hough y
Oswald, 2000; Ryan y Ployhart, 2014) y con tecnología altamente especializada y sofisticada (Schmidt
y Hunter, 1998).
4.4.1.
Modelos de selección
Las líneas que siguen de ninguna manera pretenden servir de introducción a esta área de especialización profesional. Únicamente tratan de conectar el modelo de regresión previamente expuesto
con su posible uso en alguna de las fases de que
constan los complejos procesos de selección y clasificación.
Desde este punto de vista, pueden distinguirse
básicamente tres modelos de selección:
— Compensatorio.
— Conjuntivo.
— Disyuntivo.
136 /
Introducción a la Psicometría
A los que cabe añadir otros dos de tipo mixto:
— Conjuntivo-compensatorio.
— Disyuntivo-compensatorio.
Veamos en qué consiste cada uno de ellos y
cómo funcionan para los dos paradigmas clásicos
de la selección:
—Seleccionar un número determinado de personas.
—Seleccionar aquellas personas que superen
un cierto nivel de competencia, independien­
temente de su número.
Modelo compensatorio
Una selección siempre se hace a partir de diversos datos acerca de los aspirantes, algunos de los
cuales serán puntuaciones en ciertos test, currículums, entrevistas, etc., en términos generales indicadores varios obtenidos por el psicólogo conectados
con el criterio o función a desarrollar por los seleccionados. Ahora bien, si se tienen varias medidas de
otros tantos indicadores de competencia, existen
muchas posibles formas de combinar esos datos
para ordenar a los sujetos según su competencia.
Con el modelo compensatorio se lleva a cabo una
combinación aditiva de las distintas puntuaciones
de las personas, dejando a estas ordenadas según su
puntuación global. Claro que hay diversas formas
de hacer combinaciones aditivas.
Precisamente la regresión múltiple permite efectuar adecuadamente este tipo de combinación aditiva, escalando a las personas según su puntuación
global pronosticada en el criterio (Y ′), y asignando
a cada predictor el peso pertinente, según se ha expuesto. Una forma mucho más primaria de obtener
la puntuación global consistiría en sumar simplemente las puntuaciones de los distintos indicadores,
pero esto solo estaría justificado en el caso de que
todos ellos tuviesen el mismo peso a la hora de pronosticar el criterio, hecho poco frecuente. Una vez
ordenadas las personas por su puntuación global
así obtenida, y según el paradigma de selección utilizado, o bien se elige un número determinado, o
bien aquellas que superen cierto nivel.
El término «compensatorio» alude a que según
este modelo una persona puede compensar su baja
competencia en un predictor con una muy buena en
otro, dado que lo que se tiene en cuenta es solo el
resultado global aditivo. Ahora bien, la compensación no siempre tiene sentido, pues en numerosas
situaciones la ausencia de cierta destreza no puede
ser compensada con el exceso en otra. Piénsese, por
ejemplo, en lo poco afortunado que sería compensar la deficiente coordinación visomotora de un
conductor con, digamos, su exhaustivo conocimiento del código de circulación, o la incompetencia técnica en un profesional con sus habilidades
sociales.
Modelo conjuntivo
Según este modelo, se seleccionan aquellas personas que superan en todos y cada uno de los predictores un cierto nivel de competencia prefijado,
con lo que se evita en gran medida el problema de
la compensación de competencias bajas en unos
predictores con altas en otros, descartándose aquellos candidatos que no alcancen el citado nivel en
cada predictor.
Modelo conjuntivo-compensatorio
Una vez que se han elegido según el modelo
conjuntivo las personas que superan cierto nivel en
los predictores, se les aplica solo a ellas el modelo
compensatorio, quedando así ordenadas según su
puntuación global, pudiendo de nuevo o bien elegir
cierto número de ellas, o las que superen determinado nivel de puntuación global.
Modelo disyuntivo
Se seleccionan aquellas que superan cierto nivel
de competencia en al menos un predictor, es decir,
o se supera uno o se supera otro, al menos uno,
aunque pueden complejizarse más las exigencias
por bloques de predictores. Si a las que cumplan
este criterio se les aplica el modelo compensatorio,
estaríamos ante el modelo mixto disyuntivo-compensatorio.
Los modelos más utilizados en la práctica suelen ser el compensatorio, el conjuntivo y sobre todo
el conjuntivo-compensatorio, aunque en determinadas situaciones de selección podría ser más indicado algún otro.
© Ediciones Pirámide
Validez
4.4.2. Utilidad de la selección
/ 137
— Razón de eficacia:
A la hora de evaluar la eficacia de una selección
no solo se ha de tener en cuenta la validez de los
predictores, tal como se ha venido exponiendo hasta aquí, sino que han de contemplarse, además, aspectos como la razón de selección, la razón de eficacia y la razón de idoneidad.
Se denomina «razón de selección» a la proporción
de personas seleccionadas del total de aspirantes, y
«razón de eficacia» a la proporción de seleccionados
que efectivamente tienen éxito posterior en el criterio.
Por ejemplo, si de 200 aspirantes a tornero seleccionamos 50 y de estos solo 20 resultaron buenos
torneros, ¿cuánto valen la razón de selección y la
razón de eficacia?
— Razón de selección:
50
= 0,25
200
20
= 0,40
50
Se entiende por razón de idoneidad la proporción de aspirantes cualificados para tener éxito en
el criterio. Lógicamente este dato no se conoce directamente, por lo que solo cabe hacer algunas estimaciones.
Taylor y Russell (1939) elaboraron unas tablas
(véase tabla 3.2), hoy clásicas, que para un valor
estimado de la razón de idoneidad, y conocidas
la validez y la razón de selección, permiten estimar cuál sería la razón de eficacia o probabilidad
de que un sujeto seleccionado bajo esas circunstancias tenga éxito, lo cual constituye un indicador de la utilidad de la selección, entendiendo por
utilidad aquello que la selección mejora la razón
de eficacia respecto al azar o a otro tipo de selección.
TABLA 3.2
Tabla de Taylor-Russell para una razón de idoneidad de 0,50
r
0,05
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
0,95
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
0,95
1,00
0,50
0,54
0,58
0,63
0,67
0,70
0,74
0,78
0,82
0,85
0,88
0,91
0,94
0,96
0,98
0,99
1,00
1,00
1,00
1,00
1,00
0,50
0,54
0,57
0,61
0,64
0,67
0,71
0,74
0,78
0,81
0,84
0,87
0,90
0,92
0,95
0,97
0,99
0,99
1,00
1,00
1,00
0,50
0,53
0,56
0,58
0,61
0,64
0,67
0,70
0,73
0,75
0,78
0,81
0,84
0,87
0,90
0,92
0,95
0,97
0,99
1,00
1,00
0,50
0,52
0,55
0,57
0,59
0,62
0,64
0,66
0,69
0,71
0,74
0,76
0,79
0,82
0,85
0,87
0,90
0,94
0,97
0,99
1,00
0,50
0,52
0,54
0,56
0,58
0,60
0,62
0,64
0,66
0,68
0,70
0,72
0,75
0,77
0,80
0,82
0,85
0,88
0,92
0,96
1,00
0,50
0,52
0,53
0,55
0,56
0,58
0,60
0,61
0,63
0,65
0,67
0,69
0,70
0,73
0,75
0,77
0,80
0,82
0,86
0,90
1,00
0,50
0,51
0,53
0,54
0,55
0,56
0,58
0,59
0,61
0,62
0,63
0,65
0,66
0,68
0,70
0,72
0,73
0,76
0,78
0,81
0,83
0,50
0,51
0,52
0,53
0,54
0,55
0,56
0,57
0,58
0,59
0,60
0,61
0,62
0,64
0,65
0,66
0,67
0,69
0,70
0,71
0,71
0,50
0,51
0,51
0,52
0,53
0,54
0,54
0,55
0,56
0,56
0,57
0,58
0,59
0,59
0,60
0,61
0,61
0,62
0,62
0,63
0,63
0,50
0,50
0,51
0,51
0,52
0,52
0,52
0,53
0,53
0,53
0,54
0,54
0,54
0,55
0,55
0,55
0,55
0,55
0,56
0,56
0,56
0,50
0,50
0,50
0,51
0,51
0,51
0,51
0,51
0,52
0,52
0,52
0,52
0,52
0,52
0,53
0,53
0,53
0,53
0,53
0,53
0,53
© Ediciones Pirámide
138 /
Introducción a la Psicometría
Un análisis de la utilidad de la selección solo
puede llevarse a cabo de un modo riguroso aplicando la teoría estadística de la decisión. Exposiciones
introductorias dirigidas a psicólogos pueden consultarse en Wiggins (1973), Coombs, Dawes y Tvers­ky
(1981), o más extensamente en Cronbach y Glesser
(1965).
Obsérvese en la tabla de Taylor-Russell correspondiente a una razón de idoneidad de 0,50 cómo
incluso con una validez baja, cuando la razón de
selección es reducida, la probabilidad de éxito en el
criterio (razón de eficacia) es alta.
Por ejemplo, con una validez ínfima de 0,25, si
la razón de selección es 0,05, la probabilidad de éxito es de 0,70; luego se ha ganado un 20 % respecto
a si la selección se hubiese hecho al azar, en cuyo
caso la probabilidad de éxito hubiese sido de 0,50,
ya que para esta tabla la proporción de aspirantes
idóneos (razón de idoneidad) es 0,50.
En la tabla 3.2, la columna de números debajo
de r corresponde a la validez del test, la fila superior de números a la razón de selección, y los números interiores son las razones de eficacia correspondientes.
Taylor y Russell ofrecen tablas como la representada aquí para valores de la razón de idoneidad
de 0,05, 0,10, 0,20, 0,30, 0,40, 0,50 (reproducida
aquí), 0,60, 0,70, 0,80, 0,90 y 0,95. No conviene olvidar que dichas tablas asumen una distribución
test-criterio bivariada normal, lo cual es discutible
que se cumpla siempre empíricamente. En cualquier
caso, las tablas constituyen un marco de referencia
orientador y sencillo en el proceso de selección, mucho más complejo que la mera aplicación de test y
la predicción automática del criterio.
Una idea de la eficacia de un test para pronosticar el criterio en el proceso de selección puede
obtenerse también mediante una tabla de doble entrada donde figuren los pronósticos realizados a
partir del test y los resultados que realmente se
han dado posteriormente. Véase, por ejemplo, la
tabla 3.3.
Nótese que de las 30 personas seleccionadas por
el test solo 10 tuvieron éxito en el criterio, y de las
70 no seleccionadas lo tuvieron 30. La tasa de aciertos del test es solo del 50 %: [(10 + 40)/100 = 0,50].
Manipulando el punto de corte en el test, se puede
variar la tasa de aciertos, buscándose aquel punto
de corte que maximiza la tasa.
TABLA 3.3
Resultados reales
en el criterio
Pronósticos
del test
Éxitos
Fracasos
Seleccionados
10
20
30
No seleccionados
30
40
70
40
60
100
Ha de tenerse en cuenta, además, que por razones inherentes a la propia naturaleza de la selección
concreta que se esté haciendo, no siempre tienen la
misma importancia para el psicólogo los dos tipos
de errores posibles, a saber, aquellos seleccionados
que fracasan (en la tabla, 20) y los no seleccionados
que tienen éxito (en la tabla, 30). Según se considere más grave un error u otro, puede variar notablemente la estrategia selectiva.
Como ya se ha señalado, la teoría de la decisión
constituye el marco teórico imprescindible que permite considerar toda la casuística apuntada aquí de
un modo sistemático y coherente.
Uso del modelo de regresión
Aunque el coeficiente de validez de las pruebas
utilizadas en la selección sea elevado, ello no garantiza que las personas seleccionadas tengan éxito seguro en el criterio, simplemente aumenta (más o
menos) la probabilidad de que ocurra. El modelo
de regresión permite estimar estas probabilidades
de éxito si la situación se ajusta a las condiciones
impuestas por el modelo. Veamos cómo se procede
en un caso sencillo.
Ejemplo
Supóngase un test (X ) cuya recta de regresión para
predecir el criterio (Y ) viene dada por Y ′ = X/2 + 4,
siendo 10 la desviación típica del criterio (Sy = 10)
y 0,80 el coeficiente de validez del test. Si se considera como criterio de éxito en el criterio superar los
9 puntos en este, ¿qué probabilidad de éxito tendrán
© Ediciones Pirámide
Validez
las personas que hayan sacado en el test 16 puntos?
(véase figura 3.4).
Y′ =
X
+4
2
Para un valor de X = 16:
Y′ =
En las tablas de la curva normal por encima de
−0,50 queda una proporción de 0,6915; luego la
persona que sacó 16 puntos sí ha sido seleccionado,
ya que se le pronostica una puntuación en el criterio de 12, por encima de los 9 exigidos, pero no es
seguro que tenga éxito. En concreto, se le asigna
una probabilidad de éxito de 0,6915 y, por tanto,
una probabilidad de fracaso de 0,3085.
16
+ 4 = 12
2
4.4.3. Clasificación
La desviación típica de los errores de estimación o error típico de estimación (Sy · x), que se asumen distribuidos según la curva normal e iguales
(homoscedasticidad), viene dada por:
2
S y ⋅ x = S y (1 − rxy
) = 10 (1 − 0,80)2 = 6
La puntuación típica (Zc) correspondiente al
valor del criterio (9) será:
Zc =
9 − 12
= −0,50
6
El problema de la clasificación en psicología
podría considerarse en cierto modo un caso particular de la predicción en el que el objetivo es asignar las personas a determinadas categorías, ya sean
cuadros diagnósticos, profesiones, etc. Se trataría,
en suma, de predecir qué categoría es pertinente en
cada caso, según las variables consideradas, y maximizar la probabilidad de categorización correcta. Se
asume, naturalmente, que esas categorías han sido
validadas empíricamente y que incluir en una u otra
tiene implicaciones de interés, y no constituye un
mero ejercicio de etiquetado. Las categorías, clasificaciones o cuadros han de ser relevantes para algo;
de lo contrario, cambiar el nombre propio de la
Probabilidad de éxito
(p = 0,6915)
12
9
/2 +
Y
Zc = −0,50
4
X
′=
16
Figura 3.4.
© Ediciones Pirámide
/ 139
140 /
Introducción a la Psicometría
persona por el de una rumbosa categoría no tiene
ningún sentido. No hay duda de que en la actividad
profesional de los psicólogos áreas como la orientación profesional/escolar, la selección o el diagnóstico tienen mucho que ver con el problema general
de hacer corresponder lo exigido por determinada
situación con las características de las personas.
Todo psicólogo que se dedique a estos menesteres, aparte del bagaje sustantivo del área correspondiente, es obligado que se ayude de algunas técnicas
estadísticas multivariadas que pueden mejorar significativamente sus decisiones. En concreto, y además
de la regresión, ya comentada, el análisis discriminante y el análisis de cluster proporcionan mejoras
sustantivas al sentido común y la experiencia.
Lejos de tratar de exponer estas técnicas aquí,
se citará brevemente qué tipo de problema permiten
resolver y la bibliografía donde se pueden consultar.
El análisis discriminante tiene bastante semejanza conceptual con la regresión múltiple. Se miden determinadas variables predictoras a partir de
las cuales se elabora una función discriminante, o
más, en las que los pesos de las predictoras están
elaborados de tal guisa que maximicen la asignación correcta de las personas a ciertas categorías
previamente establecidas. Lo que en la regresión
múltiple era el criterio a predecir aquí son las categorías dentro de las cuales se desea clasificar a las
personas. En suma, el análisis discriminante permite clasificar a las personas en categorías, a partir de
sus puntuaciones en determinadas variables predictoras que se ponderan adecuadamente para maximizar los aciertos en la clasificación. Esta técnica,
implementada, entre otros, en el programa informático SPSS, permite evaluar no solo el porcentaje de
clasificaciones correctas que se hacen, sino la relevancia relativa (peso) de las variables predictoras a
la hora de la predicción. Una introducción sencilla
pude consultarse en Pedhazur (1982), y descripciones más detalladas, en Klecka (1980) o Tatsuoka
(1970); para aplicaciones véase Huberty (1975).
El análisis de cluster permite formar conglomerados o grupos de personas, u otros entes, semejantes entre sí. Para ello hay que establecer previamente alguna medida o indicador del grado de afinidad
o asociación entre las personas, que será el dato
básico que permitirá establecer los clusters, asignándose el mismo cluster a las personas más parecidas
entre sí en función de la medida de similitud utili-
zada. Esta medida dependerá de los objetivos de la
investigación que se lleve a cabo; por ejemplo, podría muy bien ser la correlación entre los perfiles
psicológicos de las personas, en cuyo caso los clusters resultantes estarían formados por aquellas personas cuyos perfiles fuesen más parecidos. La técnica también permite hacer ese mismo agrupamiento,
en vez de con las personas, con las variables, en
cuyo caso su semejanza de objetivos con el análisis
factorial es clara: lo que allí eran factores aquí serían clusters. Véase para exposiciones detalladas y
no excesivamente técnicas Anderberg (1973), Everitt (1974), Hartigan (1975), Lorr (1983), Milligan
y Cooper (1987) o Spath (1980).
Aún cabría citar otras técnicas multivariadas
que son de gran ayuda en esta área, tales como la
correlación canónica o los modelos de ecuaciones
estructurales, amén del análisis factorial, claro está.
Coeficiente kappa
Cuando se llevan a cabo clasificaciones hechas
por distintos métodos o distintos clasificadores humanos, siempre aparece el problema de determinar
en qué grado hay acuerdo entre dichas clasificaciones; en definitiva, el problema de la fiabilidad de las
clasificaciones. Caso típico puede ser el análisis de
los acuerdos-desacuerdos entre los diagnósticos psicológicos hechos por diferentes profesionales, clasificaciones de alumnos por distintos profesores, pacientes, etc.
La estadística proporciona numerosos índices
para objetivar el grado de asociación entre este tipo
de variables (Ato, 1991; Haberman, 1974, 1978;
Smith, 1976; Everitt, 1977; Fienberg, 1977), pero no
se puede dejar de comentar el popular coeficiente
kappa de Cohen (1960).
Como ya se ha visto al tratar la fiabilidad de los
test referidos al criterio, la fórmula del coeficiente
kappa viene dada por:
F − Fa
[3.40]
K = c
N − Fa
donde
Fc:Número de casos (frecuencia) en los que
ambos clasificadores coinciden.
© Ediciones Pirámide
Validez
Fa:Número de casos (frecuencia) en que cabe
esperar por mero azar que los clasificadores
coincidan.
N: Número total de casos.
Si en vez de en frecuencias se expresa en términos de proporciones, el coeficiente vendrá dado por:
P − Pa
K = c
[3.41]
1 − Pa
C11 =
(120)(100)
= 60
200
C22 =
(60)(60)
= 18
200
C33 =
(20)(40)
=4
200
/ 141
Por tanto:
Fc = 88 + 40 + 12 = 140
donde Pc y Pa son ahora proporciones de coincidencia y azar, respectivamente, en vez de frecuencias.
Fa = 60 + 18 + 4 = 82
Ejemplo
Aplicando la fórmula propuesta:
Veamos el ejemplo con el que Cohen (1960) presentó su afamado coeficiente. Es el caso de dos jueces que han de clasificar 200 sujetos en tres categorías. Los datos aparecen en la tabla 3.4; ¿cuál es el
grado de acuerdo entre los juicios de ambos jueces?
Las frecuencias entre paréntesis son aquellas
que cabría esperar por mero azar:
K =
140 − 82
= 0,492
200 − 82
El valor máximo del coeficiente kappa es +1,
pero el valor mínimo no es −1, sino que depende de
las frecuencias marginales.
TABLA 3.4
Juez B
Juez A
Categoría 1
Categoría 2
Categoría 3
Categoría 1
Categoría 2
Categoría 3
88 (60)
10
2
14
40 (18)
6
18
10
12 (4)
120
60
20
100
60
40
200
EJERCICIOS
1. Utilizando una muestra de 1.000 personas,
un psicólogo encontró que el coeficiente de fiabilidad de una escala de paranoidismo era 0,75 y el
coeficiente de fiabilidad del criterio era de 0,80. La
correlación entre las puntuaciones obtenidas por
los sujetos en la escala y las obtenidas en el criterio
resultó ser de 0,70.
© Ediciones Pirámide
1.Calcular el coeficiente de validez de la escala.
2.Calcular el porcentaje de varianza del criterio pronosticable a partir de la escala.
3.¿Cuánto valdría el coeficiente de validez de
la escala si esta careciese de errores de medida?
142 /
Introducción a la Psicometría
4.¿Cuál sería el coeficiente de validez de la
escala si la fiabilidad del criterio fuese perfecta?
5.¿Cuál sería el coeficiente de validez de la
escala si se eliminasen todos los errores de
medida tanto de esta como del criterio?
6.Si se lograse por algún medio elevar la fiabilidad de la escala hasta 0,85, ¿cuánto valdría su coeficiente de validez?
7.¿Cuál sería el coeficiente de validez de la
escala si la fiabilidad del criterio se mejorase hasta alcanzar el valor de 0,95?
8.En el caso de llevar a cabo conjuntamente
las dos mejoras anteriores de la fiabilidad
de la escala y del criterio, ¿cuál sería el coeficiente de validez de la escala?
2. La correlación entre las puntuaciones de
500 sujetos en un test de inteligencia espacial que
consta de 25 ítems y las obtenidas por ellos en una
tarea empírica considerada como criterio fue de
0,60. La correlación entre las citadas puntuaciones
de los sujetos en el test y las puntuaciones que estos
mismos sujetos obtuvieron de nuevo en el test al
aplicárselo tres días después fue de 0,65.
1.¿Cuál sería el coeficiente de validez del test
si se le añadiesen otros 20 ítems paralelos?
2.¿Cuántos ítems habrá que añadir a los 25
originales si se desea obtener un coeficiente
de validez de 0,70?
3.¿Cuántos de los 25 ítems originales se podrían suprimir si nos conformásemos con
una validez de 0,50?
4.¿Sería posible obtener un coeficiente de validez de 0,95 a base de aumentar la longitud
del test? Razone adecuadamente.
5.Represente gráficamente el incremento del
coeficiente de validez (ordenadas) al aumentar el número de ítems de 10 en 10 (abscisas) hasta 100 ítems. Comente el resultado.
3. Demuestre que la correlación entre las puntuaciones en el criterio (y) y las pronosticadas en él
(y′) es igual a la correlación entre las puntuaciones
del test (x) y del criterio (y). Es decir, demuestre que
ryy′ = rxy.
4. Demuestre que rxy′ = 1.
5. Demuestre que r(y − y′)x = 0.
6. La media de una muestra de 1.000 sujetos
en un test de rapidez perceptiva fue de 20 puntos, y
la desviación típica, de 4, con un 36 % de varianza
asociada entre test y criterio. Por su parte, la media
del criterio es 30, y la varianza, 25.
1.¿Qué puntuación se estima que obtendrán
en el criterio aquellos sujetos que obtuvieron 15 puntos en el test? Nivel de confianza
del 99 %.
2.De los sujetos anteriores que obtuvieron 15
puntos en el test, ¿qué proporción de ellos
cabe esperar que obtengan en el criterio
puntuaciones iguales o mayores que la media de este?
3.Todo igual, ¿a qué nivel de confianza habría
que trabajar para que el error máximo admisible no excediese de 6?
4.Calcule el valor de la pendiente y de la ordenada en el origen de la recta de regresión
del criterio sobre el test.
7. La varianza de las puntuaciones globales
(G ) obtenidas al sumar las obtenidas por una muestra de sujetos en cierto test (X ) y las obtenidas en
el criterio (Y ) vale 61 (G = X + Y, SG2 = 61). La varianza de la diferencia es 21 (D = X − Y, SD2 = 21).
La desviación típica del test es el 80 % de la del
criterio.
1.Calcular la varianza del test y del criterio.
2.Calcular el coeficiente de validez del test.
8. La desviación típica de las puntuaciones de
los 100 alumnos que mejor calificación obtuvieron
en una práctica de laboratorio sobre aprendizaje
animal fue de 15, mientras que la varianza de las
calificaciones de todos los que realizaron la práctica
fue de 400. Solo a los 100 mejores alumnos se les
aplicó una escala de extraversión-introversión, obteniéndose una varianza de las puntuaciones de 25.
Siendo X las puntuaciones de los sujetos en la escala e Y sus puntuaciones en la práctica, la varianza
de la suma de ambas puntuaciones resultó ser 340.
1.Calcular el coeficiente de validez de la escala para predecir el rendimiento de los alumnos en las prácticas de laboratorio.
© Ediciones Pirámide
Validez
/ 143
9. Para la prueba de admisión en la escuela de
arquitectura se les aplica a los aspirantes un test de
aptitudes espaciales. La desviación típica de las
puntuaciones en el test de los aspirantes fue de 25
y la varianza de las puntuaciones de los admitidos
(solo el 10 %) fue de 2. El coeficiente de valor predictivo en el grupo de admitidos es 0,5641, tomando como criterio las calificaciones de la carrera.
También se aplica a los admitidos otro test de razonamiento espacial que está en fase experimental
para su posible uso en la selección, obteniéndose
que el cociente entre el error típico de estimación de
este nuevo test y la desviación típica del criterio fue
0,50, con una correlación entre ambos test de 0,40.
el grupo de aspirantes, de los que, por cierto, solo
se admitió a un 20 %. Terminado el período de
MIR, los admitidos fueron valorados por sus profesores según su eficacia en el trabajo (criterio), resultando que solo el 9 % de la varianza de la eficacia
era pronosticable a partir del test de selección. Ante
este porcentaje tan bajo, se confecciona otro test
que sirva de alternativa en la selección, y tras aplicarlo a este grupo de médicos se encuentra una correlación con el criterio anterior de 0,50, lo cual
resulta a priori esperanzador, dado lo restringido
del grupo en el que se calculó. La correlación entre
las puntuaciones de los sujetos en ambos test resultó ciertamente baja: 0,15.
1.A la vista de estos datos, ¿puede afirmarse
que el nuevo test en fase experimental mejora los pronósticos del que ya se viene utilizando? NC del 95 %.
1.¿Puede afirmarse que el nuevo test es preferible al anterior para efectuar la selección?
NC del 95 %.
10. A los 25.000 médicos aspirantes al MIR se
les aplica un test de conocimientos como prueba de
selección. La varianza de sus puntuaciones en esta
prueba fue de 324. La desviación típica de los admitidos es 1/9 de la desviación típica obtenida para
11. Para ilustrar el proceso de validación propuesto, Campbell y Fiske (1959) presentan la matriz
multirrasgo-multimétodo que se reproduce aquí, en
la que se han medido tres rasgos (A, B, C) por tres
métodos diferentes. (Las correlaciones aparecen
multiplicadas por 100.)
Método 1
Método 1
Método 2
Método 3
Método 2
A2
B2
C2
09
10
46
93
68
59
94
58
84
11
12
45
67
43
34
42
66
32
33
34
58
A1
B1
C1
A1
B1
C1
89
51
38
89
37
76
A2
B2
C2
57
22
11
22
57
11
A3
B3
C3
56
23
11
22
58
11
1.¿Qué método genera coeficientes de fiabilidad ligeramente inferiores?
2.¿Entre qué valores se encuentran las correlaciones indicadoras de validez conver­
gente?
3.¿Existe una buena validez discriminante?
Razone adecuadamente.
© Ediciones Pirámide
Método 3
A3
B3
C3
94
67
58
92
60
85
4.¿Cuál de los tres métodos maximiza la correlación entre los rasgos A y C?
12. En la matriz adjunta se presentan los
­ atos (Green, 1976) obtenidos por 12 sujetos
d
en un criterio (Y ) y en dos variables predictoras
(X1, X2).
144 /
Introducción a la Psicometría
Y
X1
X2
1
0
1
4
3
2
5
6
9
13
15
16
1
2
2
3
5
5
6
7
10
11
11
12
1
1
2
2
4
6
5
4
8
7
9
10
2.Al NC del 99 %, ¿entre qué puntuaciones se
encontrará en el criterio la de aquellos sujetos que obtuviesen 2 puntos en el test A?
3.Elabore la ecuación de regresión en puntuaciones típicas que permite pronosticar el
criterio a partir de ambos test. Comente las
diferencias, si hubiese, entre los valores de
los pesos beta para cada test.
4.Calcule el porcentaje de varianza del criterio pronosticable a partir de ambos test.
1.Obtenga las ecuaciones de regresión en
puntuaciones directas, diferenciales y típicas para pronosticar Y a partir de X1 y
X 2.
2.Calcule la correlación múltiple.
3.¿Qué porcentaje de la varianza del criterio
viene explicada por las variables predictoras?
4.Calcule el error típico de estimación.
5.Calcule el valor de la varianza asociada y el
de la no asociada.
6.¿Cuál sería la correlación entre el criterio
(Y ) y la variable predictora X1 si se controlase el efecto de X2 sobre ambas?
13. En esta matriz aparecen las puntuaciones
de cinco sujetos en dos test paralelos, A y A′, así
como las puntuaciones obtenidas por los sujetos en
el criterio.
A
B
C
D
E
Test A
Test A′
Ítems
Ítems
Puntuaciones
criterio
1
2
3
4
1
2
3
4
1
1
1
1
0
0
1
1
1
0
0
0
1
1
0
0
0
0
1
0
0
1
1
1
1
0
1
1
1
0
0
0
1
1
0
0
0
1
0
0
2
4
6
8
0
1.Calcule el coeficiente de validez del test A y
comente el resultado.
14. Un psicólogo escolar está investigando la
capacidad predictora de tres pruebas psicológicas,
inteligencia (IG), motivación de logro (ML) y ajuste emocional (AE), para predecir el rendimiento
académico (RA) de los estudiantes de su centro.
Las correlaciones entre las puntuaciones de las cuatro variables, obtenidas en una muestra de 500 estudiantes, aparecen en la matriz adjunta.
RA
IG
ML
AE
RA
IG
ML
AE
1,00
0,60
0,50
0,25
1,00
0,00
0,00
1,00
0,00
1,00
1.Elabore la ecuación de regresión en puntuaciones típicas para pronosticar el RA a partir de los tres test. Especifique todos los pasos seguidos.
2.¿Qué porcentaje de la varianza del RA viene
explicada por las tres variables predictoras?
3.Al nivel de confianza del 95 %, ¿qué puntuación se le pronosticará en RA a un sujeto
que obtuvo en las variables predictoras las
siguientes puntuaciones típicas: IG = 0,30,
ML = 0,40, AE = 0,20.
4.¿Puede afirmarse que la motivación de logro tiene un efecto modulador sobre las relaciones entre la IG y el RA?
15. En una muestra de 500 sujetos, la ecuación de regresión en puntuaciones típicas para pronosticar cierto criterio (Y ) a partir de cuatro test
(X1, X2, X3, X4) resultó ser:
Zy′ = 0,8Zx1 + 0,7Zx2 + 0,5Zx3 + 0,2Zx4
© Ediciones Pirámide
Validez
Por su parte, las correlaciones de estas cuatro
variables con el criterio fueron:
rx1y = 0,4; rx2y = 0,3; rx3y = 0,25; rx4y = 0,1
1.Calcular la correlación múltiple.
2.Al nivel de confianza del 95 %, ¿puede afirmarse que la correlación múltiple es estadísticamente significativa?
16. A una reciente oferta de trabajo publicada
en El País para especialistas en técnicas didácticas
se presentaron 400 licenciados universitarios, de los
que solo fueron admitidos los 20 que obtuvieron
mejores puntuaciones en un test selector. Las puntuaciones de los aspirantes en ese test se distribuyeron según la curva normal, con una media de 60 y
una desviación típica de 4. El test resultó tener un
coeficiente de validez de 0,80 respecto a un criterio
con una varianza de 36 y una media de 100.
1.¿Cuál fue la razón de selección?
2.¿Cuál es la puntuación directa que como
mínimo deben haber obtenido en el test los
seleccionados?
3.Para que un aspirante haya sido admitido,
¿qué puntuación directa mínima se le debe
pronosticar en el criterio?
4.¿Qué puntuación directa obtendrá en el criterio un sujeto que solo fue superado en el
test por 10 de sus compañeros?
5.¿Cuál es la probabilidad de que fracase en
su cometido (criterio) un sujeto que obtuvo
en el test una puntuación directa de 70 puntos y que, por tanto, fue seleccionado?
17. Las relaciones entre la rapidez para procesar información (RPI) y la inteligencia verbal han
sido ampliamente investigadas, entre otros, por
Hunt y colaboradores. En una prueba de RPI, una
muestra de 1.000 sujetos obtuvo una media de 300
milisegundos y una desviación típica de 20, siendo
el coeficiente de fiabilidad de la prueba de 0,60 (la
prueba de RPI constaba de 50 ítems). Aplicado a la
misma muestra de sujetos el test verbal SAT, se obtuvo una media de 40 y una desviación típica de 5,
siendo el coeficiente de fiabilidad del SAT de 0,70.
El porcentaje de varianza asociada entre la prueba
de RPI y el SAT (criterio) fue del 64 %.
© Ediciones Pirámide
/ 145
1.Exprese mediante algún índice numérico la
capacidad de la RPI para predecir las puntuaciones del SAT.
2.¿Cuál sería la validez de la prueba de RPI
si las mediciones del SAT careciesen totalmente de errores de medida?
3.Se comprobó que los 50 ítems de la prueba
de RPI eran pocos, por lo que se añadieron
otros 25 similares (paralelos) a los que ya
poseía. ¿Cuál será la validez de la prueba
una vez alargada?
4.Elabore la ecuación de regresión que permite pronosticar las puntuaciones del SAT a
partir de las obtenidas en la prueba de RPI.
5.Un sujeto que obtuvo en la prueba de RPI
una puntuación típica de 1,75 ¿qué puntuación directa obtendrá en el SAT? NC del
95 %.
18. Vernon (1983) investigó las posibilidades de
pronosticar la inteligencia (IG) a partir de los siguientes procesos básicos: tiempo de reacción (TR),
tiempo de inspección (TI), memoria a corto plazo
(MCP) y memoria a largo plazo (MLP). La matriz
de correlaciones obtenidas (datos no reales) entre las
cinco variables citadas aparecen a continuación:
1.Elabore la ecuación de regresión que permita pronosticar la IG a partir de los cuatro
procesos básicos.
2.Calcule la correlación múltiple entre las
cuatro variables predictoras y la IG.
3.¿Qué porcentaje de varianza de la IG es
pronosticable a partir de los cuatro procesos básicos?
IG
TR
TI
MCP
MLP
IG
TR
TI
MCP
MLP
1,00
0,50
0,30
0,20
0,25
1
0
0
0
1
0
0
1
0
1
4.¿Qué puntuación se estima que obtendrán
en inteligencia aquellos sujetos que hubiesen obtenido en las variables predictoras las
siguientes puntuaciones típicas: ZTR = 0,45,
146 /
Introducción a la Psicometría
ZTI = 0,35, ZMCP = 0,15, ZMLP = 0,20? NC
del 95 %.
5.Si deseásemos una ecuación de regresión
con solo tres variables predictoras y, en consecuencia, eliminásemos una por el método
backward, ¿qué variable eliminaríamos? Razone adecuadamente.
19. Una empresa que necesita ampliar su
plantilla aplica un test de inteligencia a los 50 aspirantes para los 10 puestos a cubrir. Las puntuaciones en el test se distribuyeron según la curva normal
con una media de 100 y una desviación típica de 15.
El 64 % de la varianza del criterio es pronosticable
a partir del test.
1.Si el punto crítico de éxito en el criterio se
fija dos desviaciones típicas por encima de
la media, ¿qué probabilidad de éxito tendrán los sujetos que obtengan en el test una
puntuación diferencial de 20 puntos?
20. Un grupo de aspirantes a controladores aéreos obtienen en un test de selección A una varianza
de 25, y los admitidos, de 4. La correlación del test
con el criterio en el grupo de seleccionados fue de
0,60. El equipo de psicólogos del departamento de
selección está estudiando la mejora de esta, y para
ello investiga la adecuación selectiva de otro test B.
Este nuevo test experimental se aplicó a los seleccionados con el A, obteniéndose una correlación de
0,65 con el criterio y de 0,50 con el test selector A.
1.Dado que este nuevo test B que se está estudiando tiene una correlación de 0,65 con
el criterio, mientras que el A usado para seleccionar solo la tiene de 0,60, un estudiante de psicología que realiza prácticas en el
departamento de selección opina que el test
B, obviamente, es mejor que el A para hacer
la selección. ¿Comparte usted su opinión?
21. Se aplicaron tres test de aptitudes (X1, X2, X3)
y una prueba de rendimiento (Y ), considerada como
criterio, a una muestra de 500 sujetos. La matriz de
correlaciones entre estas variables, así como sus varianzas, aparecen a continuación.
1.Calcule el error típico de medida de cada
test, así como del criterio.
2.Calcule el error típico de estimación de
cada test.
3.Elabore las ecuaciones de regresión de cada
test en puntuaciones diferenciales.
Matriz de correlaciones
Y
X1
X2
X3
y
X1
0,95
0,60
0,40
0,30
0,90
0,00
0,00
X2
0,80
0,00
X3
Varianzas
0,85
16
9
4
1
4.Elabore la ecuación de regresión múltiple
que permite pronosticar el criterio a partir
de los tres test considerados conjuntamente.
Detalle el proceso de obtención.
5.¿Qué porcentaje de la varianza del criterio
viene explicado por los tres test tomados
conjuntamente?
6.Calcule la matriz de varianzas-covarianzas
de las cuatro variables (test y criterio).
22. En la tabla adjunta aparecen las puntuaciones obtenidas por una muestra de 15 personas en
una escala de psicoticismo de 20 puntos aplicada
por el médico de familia de un centro de atención
primaria. Esas mismas personas fueron diagnosticadas por un equipo de psicólogos y psiquiatras en
dos categorías: psicóticos (PS) y no psicóticos (NP).
Los resultados aparecen en la tabla adjunta:
Personas
Escala
Diagnóstico
A
B
C
D
E
F
G
H
I
J
K
L
M
N
Ñ
13
15
15
17
16
18
13
16
12
10
17
9
18
14
19
PS
PS
PS
NP
PS
NP
NP
PS
NP
NP
PS
NP
PS
NP
PS
© Ediciones Pirámide
Validez
2.2. Calcule la proporción total de clasi­
ficaciones correctas, sensibilidad, especificidad y coeficiente kappa de
la escala para el punto de corte del
apartado anterior.
1.Si se asume que todos los errores son igualmente relevantes:
1.1. ¿Dónde habría que establecer el punto
de corte para minimizar los errores totales de clasificación cometidos al usar
la escala para predecir psicoticismo?
1.2. Establecido el punto de corte del
apartado anterior, calcule la proporción total de clasificaciones correctas,
sensibilidad, especificidad y coeficiente kappa de la escala.
2.Imagínese que los profesionales del campo,
psicólogos y psiquiatras, consideran cuatro
veces más grave no detectar una persona
psicótica que sí lo es que considerar psicótica a una que realmente no lo es. Bajo este
supuesto:
/ 147
3.Asignando determinados pesos a los falsos
positivos y a los falsos negativos, se obtienen para los puntos de corte 12 y 16 valores
totales de los errores de 15 y 12 respectivamente.
3.1. ¿Qué pesos se han asignado a los falsos positivos y a los falsos negativos?
4.Describa dos situaciones en el campo de la
psicología del trabajo en las que los errores
falsos positivos sean mucho más graves que
los falsos negativos. Describa otras dos en
las que ocurra justo lo contrario.
2.1. ¿Dónde se establecería el punto de
corte de la escala que minimiza los
errores totales?
SOLUCIONES
1.1.
2.
3.
4.
5.
6.
7.
8.
2.1.
2.
3.
4.
6.1.
2.
3.
4.
7.1.
2.
8.1.
9.1.
10.1.
0,70
49 %
0,808
0,783
0,90
0,745
0,763
0,812
0,653
79
13
No. Máximo: 0,744
15,93 ⩽ Y ⩽ 36,57
0,1736
86,64 %
b = 0,75; a = 15
sx2 = 16; sy2 = 25
0,50
0,71
No. RZY = RXY = 0,99
No. RXY = 0,94; RZY = 0,86
© Ediciones Pirámide
11.1.
2.
3.
4.
12.1.
2.
3.
4.
5.
6.
13.1.
2.
3.
4.
14.1.
2.
3.
4.
15.1.
1
0,45 ⩽ r ⩽ 0,67
No
2
Y ′ = 1,55X1 − 0,24X2 − 2,20
y′ = 1,55x1 − 0,24x2
Zy′ = 1,07Z1 − 0,13Z2
0,95
90 %
1,71
26,53; 2,95
0,73
1
Y′ = Y = 4
Zy′ = 1,00ZA + 0,00ZA′
100 %
Zy′ = 0,60ZIG + 0,50ZML + 0,25ZAE
67 %
−0,69 ⩽ Zy ⩽ 1,55
Sí. rxy.z = 0,69
0,82
148 /
Introducción a la Psicometría
2. Sí: F = 257, p < 0,05
16.1. 0,05
2. 66,56
3. 107,872
4. 109,408
5. 0,1251
17.1. rxy = 0,80
2. 0,95
3. 0,86
4. Y ′ = 0,2X − 20
5. 41,12 ⩽ Y ⩽ 52,88
18.1. Zy′ = 0,50Z 1 + 0,30Z2 + 0,20Z3 +
+ 0,25Z4
2. 0,665
3. 44,25 %
4. −1,0535 ⩽ IG ⩽ 1,8735
5. MCP
19.1. 0,0594
20.1.
21.1.
2.
3.
4.
5.
6.
No. RZY = 0,86; RXY = 0,88
Se(x1) = 0,95; Se(x2) = 0,89;
Se(x3) = 0,39; Se(y) = 0,89
Sy.x1 = 3,2; Sy.x2 = 3,67; Sy.x3 = 3,81
y′ = 0,8x1; y′ = 0,8x2; y′ = 1,2x3
Zy′ = 0,60Zx1 + 0,40Zx2 + 0,30Zx3
61 %
y
x1
x2
x3
y
x1
x2
x3
16
7,2
3,2
1,2
9
0,0
0,0
4
0,0
1
22.1.1. 15
1.2. 0,80; 0,875; 0,714; 0,60
2.1. 13
2.2. 0,73; 1; 0,43; 0,43
3.1. 3; 2
© Ediciones Pirámide
Análisis de los ítems
Hasta ahora nos hemos ocupado de las propie­
dades del test considerado globalmente, de su capa­
cidad para discriminar entre las personas, de su fia­
bilidad y de las evidencias de validez. Ahora bien,
en el proceso real de construcción de un test se em­
pieza por elaborar un número elevado de ítems, dos
o tres veces más de los que el test tendrá finalmente,
aplicar esos ítems a una muestra de personas seme­
jantes a aquellas a las que el test irá destinado y
descartar los que no sean pertinentes. La cuestión
es cómo saber qué ítems son pertinentes, objetivo
central del análisis de ítems.
Se entiende por análisis de ítems el estudio de
aquellas propiedades de los ítems que están directa­
mente relacionadas con las propiedades del test y,
en consecuencia, influyen en ellas. En palabras de
Lord y Novick (1968), el requerimiento básico de
un parámetro de un ítem es que tenga una relación
clara con algún parámetro interesante del test total.
Se previene, por tanto, al lector contra retahílas de
descriptores de los ítems que a veces aparecen en los
textos sin hacer referencia alguna a su incidencia en
los parámetros del test. Son perfectamente inútiles,
pues de ellos no se colige ninguna inferencia directa
sobre el test.
Aquí se tratarán los tres índices más relevantes:
— índice de dificultad,
— índice de discriminación,
— índice de validez,
y se especificarán sus relaciones con los parámetros
del test considerado globalmente. Para un trata­
miento más completo, puede verse Muñiz et al.
(2005a).
© Ediciones Pirámide
4
Además, se incluyen en este apartado otras
consideraciones complementarias para el estudio
de los ítems, tales como el análisis de las alter­
nativas incorrectas, la corrección del azar, la cali­
ficación del conocimiento parcial y algunas téc­
nicas para la evaluación del funcionamiento
diferencial.
1. ÍNDICE DE DIFICULTAD
Se entiende por índice de dificultad (ID) de un
ítem la proporción de personas que lo aciertan de
aquellas que han intentado resolverlo:
A
[4.1]
ID =
N
donde
A: Número de personas que aciertan el ítem.
N:Número de personas que han intentado re­
solver el ítem.
El valor del índice de dificultad está directa­
mente relacionado con la media del test:
n
[4.2]
X = ∑ IDi
i =1
En palabras, la media del test es igual a la suma
de los índices de dificultad de los ítems.
150 /
Introducción a la Psicometría
Los cálculos de la tabla 4.1 permiten ilustrar la
citada igualdad.
TABLA 4.1
Ítems
Personas
Puntuación
total
1
2
3
4
A
B
C
D
E
0
1
1
1
0
1
0
1
1
1
1
1
0
1
0
1
0
0
1
0
3
2
2
4
1
IDi
3/5
4/5
3/5
2/5
12
Al índice de dificultad sería semánticamente
más apropiado denominarlo «índice de facilidad»,
pues, a medida que aumenta, indica que el ítem es
más fácil, no más dificil. En la tabla anterior, por
ejemplo, el ítem más fácil es el segundo, que es acer­
tado por cuatro de las cinco personas; sin embargo,
su índice de dificultad es el mayor (4/5).
Nótese también que en muchos test no tiene
ningún sentido hallar el índice de dificultad de los
ítems; por ejemplo, en test dirigidos a evaluar as­
pectos de personalidad, en los que los ítems no son
fáciles ni difíciles.
Una seria limitación de este índice de dificultad
de la teoría clásica es su dependencia directa de la
muestra de personas en la que se calcula, es decir, el
índice de dificultad no constituye una propiedad in­
trínseca del ítem, su valor depende del tipo de per­
sonas a las que se aplique. Si son muy competentes,
resultará un ítem fácil, lo acertarán muchos. Si, por
el contrario, son incompetentes, el mismo ítem re­
sultará difícil. A nivel práctico, la teoría clásica mi­
tiga este inconveniente calculando el índice de difi­
cultad en muestras similares en competencia con
aquellas en las que se van a usar posteriormente los
ítems. Ahora bien, este recurso resulta poco convin­
cente a nivel teórico para una teoría de la medición
psicológica medianamente rigurosa, donde sería de
esperar que las propiedades de los instrumentos de
medida no dependiesen de los objetos medidos. Una
solución adecuada a este problema la proporciona­
rán los modelos de teoría de respuesta a los ítems,
como se verá más adelante.
Cuando los ítems son de elección múltiple y, en
consecuencia, es posible acertarlos por mero azar,
el índice de dificultad conviene calcularlo corrigien­
do los efectos del azar mediante la fórmula clásica
que se presenta a continuación, aunque otras son
también posibles:
A−
ID =
E
K −1
N
[4.3]
donde
A: Número de personas que aciertan el ítem.
E: Número de personas que fallan el ítem.
K: Número de alternativas del ítem.
N:Número de personas que intentan resolver el
ítem.
La varianza de un ítem puede expresarse en tér­
minos de su índice de dificultad, puesto que para
una variable dicotómica j: s 2j = PjQj, donde Pj sería
aquí la proporción de personas que aciertan el ítem,
es decir, el índice de dificultad, y Qj = (1 − Pj). La
varianza será máxima para los valores medios de
Pj; en otras palabras, la dificultad media de los
ítems maximiza su varianza.
2. ÍNDICE DE DISCRIMINACIÓN
Se dice que un ítem tiene poder discriminativo
si distingue, discrimina, entre aquellas personas que
puntúan alto en el test y las que puntúan bajo, es
decir, si discrimina entre los eficaces en el test y los
ineficaces. En consecuencia, el índice de discrimina­
ción se define como la correlación entre las puntua­
ciones de las personas en el ítem y sus puntuaciones
en el test.
Cuál haya de ser el tipo de correlación a utilizar
dependerá de las características de las variables a co­
rrelacionar, en nuestro caso el ítem y el test. Aquí se
ilustrarán cuatro de las correlaciones más habituales
dados los formatos que suelen adoptar más frecuen­
temente los ítems y los tests, pero otras muchas son
posibles, y en cada caso habrá que elegir la más ade­
cuada. Una interesante discusión acerca de la elec­
ción de correlación puede verse en Carroll (1961).
© Ediciones Pirámide
/ 151
Análisis de los ítems
2.1. Cálculo
Veamos a continuación cuatro posibles coefi­
cientes de correlación para la estimación del índice
de discriminación:
—
—
—
—
correlación biserial-puntual,
correlación biserial,
coeficiente phi,
correlación tetracórica,
para luego analizar las conexiones entre el índice de
discriminación y los parámetros del test.
trario, una de las variables a correlacionar (el ítem)
estaría impropiamente incluida en la otra (el test).
Véase la nota que sigue al ejemplo.
TABLA 4.2
Ítems
Total
Sujetos
A
B
C
D
E
1
2
3
4
X
(X − j)
0
1
1
1
0
1
0
1
1
1
1
1
0
l
0
1
0
0
l
0
3
2
2
4
1
2
1
2
3
1
Correlación biserial-puntual (rbp)
La correlación biserial-puntual es una mera
aplicación de la correlación de Pearson cuando una
de las variables es dicotómica y la otra cuantitativa
continua, o eventualmente discreta (Amón, 1984).
Suele usarse con frecuencia para calcular el índice
de discriminación, dado que es habitual que los
ítems sean dicotómicos (o se aciertan o se fallan), y
el test constituya una medida cuantitativa discreta.
La fórmula de la correlación de Pearson en estas
circunstancias viene dada por:
µ − µx p
[4.4]
ρ bp = p
q
σx
donde
mp:Media en el test de las personas que aciertan
el ítem.
mx: Media del test.
sx: Desviación típica del test.
p: Proporción de personas que aciertan el ítem.
q: (1 − p).
Ejemplo
Calcular el índice de discriminación del tercer
ítem de la tabla 4.1 del apartado precedente.
En primer lugar, para realizar los cálculos indi­
cados por la fórmula [4.4], a la puntuación total del
test (X ) hay que descontarle el ítem cuyo índice de
discriminación se pretende hallar (X − j); de lo con­
© Ediciones Pirámide
Xp =
2 +1+ 3
=2
3
Xx =
2 +1+ 2 + 3 +1
= 1,8
5
Sx2 =
2 2 + 12 + 2 2 + 32 + 12
− (1,8)2 = 0,56
5
Sx =
p=
0,56 = 0,748
3
= 0,60
5
q = 1 − 0,60 = 0,40
rbp =
2 − 1,8
0,748
0,60
= 0,32
0,40
Nota. Si al calcular la correlación ítem-test no
se descontase de este, como se hizo en el ejemplo, las
puntuaciones correspondientes al ítem, se estaría
elevando impropia y espuriamente la correlación,
pues estrictamente no se estaría correlacionando el
ítem con el resto de los ítems (test), sino con un test
que incluiría también el ítem en cuestión. En suma,
se estaría correlacionando una variable (test) con
parte de ella (ítem). Bien es verdad que cuando el
test consta de un número elevado de ítems, este efec­
to puede ser de poca relevancia empírica, pero ello
no legitima, claro está, su incorrección.
Lo más sencillo es calcular la correlación, como
se ha hecho en el ejemplo, descontando el ítem. No
Sx2 =
152 /
Introducción a la Psicometría
obstante, si por cualquier razón se tiene la correla­
ción ítem-test sin descontar los efectos del ítem,
puede utilizarse la siguiente fórmula de corrección
para obtener la correlación pertinente:
ρ jxσ x − σ j
ρ j(x − j ) =
[4.5]
2
σ j + σ x2 − 2 ρ jxσ jσ x
rj(x − j):Correlación entre el ítem j y el test tras
descontar el ítem (x − j).
rjx:Correlación ítem-test cuando el ítem
está incluido en el test.
sx: Desviación típica del test.
sj: Desviación típica del ítem.
La obtención de [4.5] es inmediata a partir de la
fórmula general de la correlación de Pearson:
Ej(x − j )
Ejx − Ej 2
=
=
σ jσ ( x − j )
σ j σ x2 + σ 2j − 2 ρ jxσ jσ x
Teniendo en cuenta el valor de la esperanza ma­
temática y simplificando:
ρ j(x − j ) =
ρ jxσ x − σ j
σ x2
+ σ 2j − 2 ρ jxσ jσ x
Apliquemos lo dicho a nuestro ejemplo. En pri­
mer lugar vamos a calcular la correlación ítem-test
sin excluir el ítem del test, posteriormente aplicare­
mos al valor obtenido la corrección propuesta y el
resultado deberá ser el mismo que el obtenido al
principio cuando habíamos descontado el ítem.
Xp =
3+2+4
=3
3
Xx =
3+2 +2 + 4+1
= 2,4
5
Sx2 =
32 + 2 2 + 2 2 + 42 + 12
− (2,4)2 = 1,04
5
Sx = 1,04 = 1,02
p=
Sx = 1,04 = 1,02
p=
3
= 0,6
5
q = 1 − 0,6 = 0,4
rbp =
3 − 2,4
1,02
0,6
= 0,72
0,4
Aplicando la corrección propuesta en [4.5]:
donde
ρ j(x − j )
32 + 2 2 + 2 2 + 42 + 12
− (2,4)2 = 1,04
5
3
= 0,6
5
q = 1 − 0,6 = 0,4
rj ( x − j ) =
(0,72)(1,02) − 0,49
= 0,32
0,24 + 1,04 − 2(0,72)(0,49)(1,02)
que, efectivamente, es el mismo resultado que el ob­
tenido en principio.
Correlación biserial (rb)
Si una de las variables a correlacionar, que en
las presentes circunstancias suele ser el ítem, no es
dicotómica por naturaleza, pero por alguna razón
se dicotomiza y se asume que bajo esa dicotomiza­
ción subyace una variable continua distribuida se­
gún la curva normal, puede usarse la correlación
biserial (rb) para estimar el índice de discrimina­
ción. La situación citada se da con cierta frecuen­
cia, por ejemplo, cuando se dicotomizan ítems a
pesar de admitir una gradación de respuestas. Si se
puede evitar, es desaconsejable la dicotomización,
puesto que con ella siempre se pierde información,
reduciendo la escala de medición a solo dos catego­
rías.
µ − µx p
ρb = p
[4.6]
y
σx
donde, asumiendo que la variable dicotomizada es
el ítem:
mp:Media en el test de las personas que aciertan
el ítem.
mx: Media del test.
sx: Desviación típica del test.
p: Proporción de personas que aciertan el ítem.
y:Ordenada correspondiente al valor de la
puntuación típica en la curva normal que
© Ediciones Pirámide
Análisis de los ítems
deja por debajo un área igual a p. (Los va­
lores de y pueden obtenerse en la tabla II.)
Lo dicho para la correlación biserial-puntual
sigue siendo válido aquí en líneas generales, si bien
hay que tener en cuenta que, a diferencia de rbp, la
correlación biserial no es una mera aplicación de la
correlación de Pearson, sino una estimación de ella.
De modo que podrían obtenerse valores mayores
que 1, especialmente si alguna de las variables es
platicúrtica o bimodal. Si se sospecha una distri­
bución normal dudosa, es más seguro utilizar rbp,
máxime si las correlaciones se van a usar en análisis
de regresión o factoriales.
La relación entre rbp y rb viene dada por:
ρ bp = ρ b
pq
y
donde p, q e y tienen la significación ya citada.
Coeficiente phi (f)
Si las variables a correlacionar, en nuestro ítem
y test, son ambas dicotómicas, un coeficiente ade­
cuado para estimar el índice de discriminación vie­
ne dado por el coeficiente f, que es una mera apli­
cación del coeficiente de correlación de Pearson.
Correlación tetracórica
Si ambas variables (ítem y test) están dicotomi­
zadas y se asumen distribuidas normalmente, la co­
rrelación tetracórica es el coeficiente adecuado para
estimar el índice de discriminación.
Para un análisis comparativo de los coeficientes
citados y de su comportamiento en situaciones con­
cretas de selección de ítems, véase Lord y Novick
(1968). Una exposición detallada y clara de su
cálculo, propiedades y significación estadística pue­
de consultarse en Amón (1984), San Martín y Par­
do (1989).
Índice basado en las proporciones de aciertos
Cabe añadir, finalmente, un método elemental
y directo de acercarse al índice de discriminación no
© Ediciones Pirámide
/ 153
basado en la correlación ítem-test. Este índice (d )
es la diferencia entre la proporción de personas
competentes que aciertan el ítem (Pc) y la propor­
ción de incompetentes que también lo aciertan, en­
tendiendo por competentes aquellos que puntúan
en el test por encima de la mediana, e incompeten­
tes por debajo. Pueden utilizarse grupos más extre­
mos, siendo clásicos el 27 % superior e inferior su­
geridos por Kelley (1939).
d = Pc − Pi
[4.7]
donde
Pc:Proporción de personas competentes en el
test que aciertan el ítem.
Pi:Proporción de personas incompetentes en el
test que también aciertan el ítem.
La interpretación de d es obvia: la capacidad
discriminativa del ítem aumenta a medida que d se
aleja de cero, bien sea hacia 1 o hacia −1. En el caso
extremo de que fuese 1, significaría que todos los
competentes aciertan el ítem (Pc = 1) y todos los
incompetentes lo fallan (Pi = 0); la discriminación
es perfecta. En el caso de −1, Pc = 0 y Pi = 1, sería
el caso paradójico en el que todos los incompeten­
tes lo aciertan y todos los competentes lo fallan;
luego el ítem también discrimina perfectamente,
pero habría que tener cuidado a la hora de la inter­
pretación.
Cuando el acceso a los ordenadores era limita­
do, se utilizaban un sinfín de tablas para hacer esti­
maciones de las correlaciones a partir de las pro­
porciones de aciertos. Hoy esto carece de sentido,
ya que todos los cálculos están implementados en
numerosos programas, tanto comerciales como de
libre acceso.
2.2. Relación con algunos parámetros
del test
a)
Variabilidad
Una medida de la capacidad discriminativa de
un test es la variabilidad de las puntuaciones obte­
nidas en él por las personas, es decir, su desviación
típica (sX). Cuando esta es cero (sX = 0), no hay
154 /
Introducción a la Psicometría
discriminación alguna, todas las personas sacan la
misma puntuación; el test no distingue, no discrimi­
na entre unas personas y otras. Ahora bien, la des­
viación típica del test está íntimamente relacionada
con el índice de discriminación de los ítems:
n
σ x = ∑ σ j ρ jx
[4.8]
j =1
donde
sX: Desviación típica del test.
sj: Desviación típica del ítem j.
rjX: Índice de discriminación del ítem j.
Efectivamente, sean X las puntuaciones en el
test y xj las obtenidas en los n ítems, con X = ∑ xj,
la varianza de X, o, lo que es lo mismo, la covarian­
za consigo misma, vendrá dada por:
σ X2 = σ (X , X ) = σ (X , ∑ x1 ) =
= σ (X , x1 + x2 + ! + xn ) =
= σ (X , x1 ) + σ (X , x2 ) + σ (X , x3 ) + ! + σ (X , xn ) =
=
∑ σ (X , x j )
sustituyendo la covarianza por su valor:
σ X2 =
∑ σ X σ j ρ jX
y simplificando:
sX = sj rjX
que es la fórmula propuesta en [4.8].
Por tanto, la capacidad discriminativa de un test
depende directamente de la desviación típica de sus
ítems (sj) y de la correlación de estos con el test
total (rjX), es decir, de su índice de discriminación.
(En la literatura psicométrica suele denominarse ín­
dice de fiabilidad del ítem j al producto sj rjX.)
Si los ítems son dicotómicos, su desviación típi­
ca viene dada por:
σj =
PjQ j =
Pj (1 − Pj )
donde Pj es la proporción de sujetos que aciertan el
ítem j, esto es, su índice de dificultad. Sustituyendo
en [4.8]:
n
[4.9]
σ X = ∑ Pj (1 − Pj ) ρ jX
j =1
En esta fórmula queda claro que para maximi­
zar la capacidad discriminativa de un test hay que
tener en cuenta conjuntamente el índice de dificul­
tad de los ítems (Pj) y el índice de discriminación
(rjX).
Adviértase que un error muy frecuente es con­
siderar estos dos parámetros por separado y afir­
mar sin más que un ítem contribuye a la discrimi­
nación global del test cuando él mismo tiene un
gran poder discriminativo, esto es, una varianza
máxima, lo cual ocurre para Pj = 0,50. Ello no es
estrictamente cierto, pues si r jX = 0, aun con
Pj = 0,50, ese ítem no contribuye en absoluto a la
capacidad discriminativa del test, puesto que:
σX =
Pj (1 − Pj ) ρ jX =
0,50(1 − 0,50) (0) = 0
En suma, que un ítem sea muy discriminativo
no implica automáticamente que contribuya a la
misma discriminación hecha por el test; hay que
considerar además su correlación con el test, es de­
cir, su índice de discriminación.
b)
Fiabilidad
La fiabilidad del test también puede expresarse
en función de la varianza de los ítems (s 2j ) y de sus
índices de discriminación (rjX), para lo cual se sus­
tituye el valor de sX dado por [4.9] en la fórmula del
coeficiente a:
n
∑ σ 2j
α =
1−
[4.10]
n −1
[ ∑ σ j ρ jx ]2
1
2
O en el caso de que los ítems sean dicotómicos:
n
∑ Pj (1 − Pj )
[4.11]
α =
1−
n −1
[ ∑ ρ jx Pj (1 − Pj ) ]2
1
2
© Ediciones Pirámide
Análisis de los ítems
En suma, los parámetros de los tests, poder dis­
criminativo (sX) y fiabilidad (a), pueden expresarse
en términos del índice de dificultad de los ítems (Pj)
y de su índice de discriminación (rjX).
3. ÍNDICE DE VALIDEZ
Se denomina «índice de validez» de un ítem a
su correlación con el criterio. Sobre qué correlación
utilizar solo cabe repetir lo dicho en el apartado
anterior para el caso del índice de discriminación:
dependerá de la naturaleza de las variables a corre­
lacionar, que aquí son ítem y criterio. Como ocurría
con el índice de discriminación, también para la va­
lidez las correlaciones más frecuentes son la biserial
puntual, biserial, phi y tetracórica. Su cálculo es
idéntico, si bien ahora no existe el problema adicio­
nal de que el ítem esté en ocasiones incluido en el
criterio, como podía ocurrir al correlacionar ítemtest, según se ha visto.
3.1. Relación con los parámetros del test
Sea cual sea la correlación utilizada, el valor del
índice de validez de un ítem indicará en qué grado
el ítem está conectado con la variable que el test
intenta predecir (criterio). Desde este punto de vis­
ta, la validez global de un test se verá incrementada
en la medida en que sus ítems tienen índices de va­
lidez elevados. En concreto (véase Gulliksen, 1950),
la conexión entre el índice de validez de los ítems y
el coeficiente de validez del test viene dada por:
n
∑ σ j ρ jY
j =1
ρ xy = n
[4.12]
∑ σ j ρ jX
j =1
donde
rxy:
n:
s j:
rjY:
rjX:
Coeficiente de validez del test.
Número de ítems del test.
Desviación típica del ítem j.
Índice de validez del ítem j.
Índice de discriminación del ítem j.
© Ediciones Pirámide
/ 155
Si los ítems fuesen dicotómicos, entonces:
σj =
PjQ j =
Pj (1 − Pj )
y sustituyendo, la fórmula anterior [4.12] puede ex­
presarse del siguiente modo:
n
∑ ρ jY
Pj (1 − Pj )
j =1
ρ
=
[4.13]
xy
n
∑ ρ jX Pj (1 − Pj )
j =1
donde todos los símbolos son los mismos que en
[4.12] y Pj es el índice de dificultad del ítem j.
La fórmula anterior [4.13] es de suma impor­
tancia, pues expresa el coeficiente de validez del test
en función de los tres parámetros de los ítems: difi­
cultad (Pj), discriminación (rjX) y validez (rjY).
Por otra parte, recuérdese que según [4.11] la
fiabilidad del test (a) podía expresarse en función de
la dificultad y discriminación de los ítems:
n
∑ Pj (1 − Pj )
[4.11]
α =
1−
n −1
[ ∑ ρ jX Pj (1 − Pj ) ]2
1
2
Una paradoja clásica
Al contemplar ambas expresiones, [4.11] y
[4.13], aparece una conocida paradoja de la teoría
clásica de los tests, a saber, según [4.11], si se desea
maximizar la fiabilidad del test, habrá que elegir
ítems con índices de discriminación elevados (rjX),
supuestas iguales otras cosas, pero, según [4.13], al
elegir índices de discriminación elevados se rebaja
el coeficiente de validez del test, ya que según [4.13]
la validez aumenta cuanto mayores sean los índices
de validez de los ítems y menores sean sus índices
de discriminación.
Por tanto, si se desea maximizar la validez del
test, han de elegirse ítems con elevados índices de
validez, pero en contrapartida el test resultante tal
vez no tenga en ese caso una elevada fiabilidad. Nó­
tese que en este contexto de fiabilidad se refiere a la
consistencia interna (a), cuyas relaciones con otros
tipos de fiabilidad ya se trataron en su momento. El
156 /
Introducción a la Psicometría
1
Ítems que maximizan
la validez del test
rjY
Ítems que
maximizan
la fiabilidad
del test
rjX
Figura 4.1.—Paradoja clásica.
criterio a maximizar está en función de los intereses
del investigador y de las características de los obje­
tivos a medir. Véase a modo de ilustración la figura
4.1 en la que en abscisas se representa el valor del
índice de discriminación, y en ordenadas, el del ín­
dice de validez.
Comentarios finales
No debe confundirse el índice de validez con lo
que a veces se denomina «evidencias de validez fac­
torial de los ítems», refiriéndose a la estructura
factorial de los ítems tras someterlos a un análisis
factorial, y que da una idea de la estructura interna
del test, esto es, de si todos los ítems configuran
uno o más factores. Recuérdese que otra medida de
la cohesión interna de los ítems es el coeficiente
alfa, aunque un alfa elevado no garantiza una es­
tructura unifactorial, como a veces se afirma.
Otro concepto de interés relativo a los ítems es
el de su posible ponderación. En ocasiones, puede
tener interés y ser aconsejable en función de los ob­
jetivos perseguidos que no todos los ítems tengan la
misma ponderación o peso a la hora de contribuir
a la puntuación total del test. Caso típico y segura­
mente familiar al lector sería el de un examen o
prueba objetiva en la que no todas las preguntas
(ítems) valen lo mismo, debido a cierto criterio de
ponderación establecido por el profesor.
Algunas técnicas estadísticas como la regresión
múltiple pueden ser de gran utilidad a la hora de
establecer las citadas ponderaciones.
Por último, señalar que en el proceso de seleccio­
nar los ítems que van a constituir el test definitivo hay
que tener presentes dos cuestiones. En primer lugar,
que al elegir aquellos ítems con índices de discrimina­
ción y de validez elevados se está capitalizando el
error, es decir, si dichos índices se calculasen en una
segunda muestra de personas, seguramente tenderían
a bajar. En segundo lugar, el índice de discriminación
de un ítem es la correlación ítem-test. Depende, por
tanto, no solo del ítem sino del resto de los ítems que
© Ediciones Pirámide
Análisis de los ítems
constituyan el test, luego al descartar algunos de ellos
tenderá a variar, dado que con el descarte varía la
variable «test». Esta incidencia será menor cuantos
menos ítems se descarten, siendo aconsejable hacer la
selección de ítems en varios pasos o etapas, no de una
vez, descartando un bloque de ítems de cada vez y
recalculando los parámetros tras el descarte.
4. ANÁLISIS DE LAS ALTERNATIVAS
INCORRECTAS
Además del cálculo de los parámetros de los
ítems citados, conviene indagar la distribución de las
respuestas de las personas a las alternativas incorrec­
tas de los ítems, cuando estos son de elección múlti­
ple, por si ello pudiera explicar la inadecuabilidad de
alguno de ellos. Los programas de ordenador para
analizar los ítems desde el punto de vista de la teoría
clásica facilitan esta información acerca de la propor­
ción de personas que contestan cada alternativa. Por
ejemplo, un índice de discriminación bajo puede venir
a veces explicado porque una de las alternativas falsas
«atrae» por igual y masivamente a los competentes e
incompetentes en el test, y tal vez el mero hecho de
cambiarla por otra más adecuada podría ser suficien­
te para incrementar el índice. En otros casos se obser­
va que ciertas alternativas no son elegidas por nadie,
ni competentes ni incompetentes, por lo que no con­
tribuyen en nada a la discriminación, etc.
Véase el ejemplo numérico que sigue (tabla 4.3),
en el que aparecen las respuestas de una muestra de
200 personas a un ítem con cinco alternativas, sien­
do la tercera (C) la alternativa correcta. Se denomi­
na competentes al 50 % que están por encima de la
mediana del test, e incompetentes a los que quedan
por debajo.
TABLA 4.3
Alternativas
Ítem
Competentes
Incompetentes
© Ediciones Pirámide
A
B
C
D
E
5
15
70
10
0
100
15
65
20
0
0
100
20
80
90
10
0
200
/ 157
Las alternativas D y E parece claro que habría
que sustituirlas por otras; la D por alguna razón
«atrae» más a los competentes que a los incompe­
tentes, mientras que la E no recibe ninguna respues­
ta, seguramente por demasiado obvia. No es nada
infrecuente encontrarse con alternativas como la D
que, paradójicamente, son más elegidas por los que
puntúan alto en el test que por los incompetentes.
Aunque la explicación ha de buscarse en cada caso
particular, suele ocurrir con ese tipo de alternativas
que contienen información de un nivel elevado que
problematiza a los que más saben, pasando desa­
percibida, sin embargo, para los menos competen­
tes.
4.1. Número óptimo de alternativas
Una de las primeras preguntas que asaltan al
que intenta construir un instrumento de medida
con ítems de elección múltiple se refiere a cuál es el
número óptimo de alternativas que deben tener los
ítems. La respuesta parece simple: cuantas más me­
jor, pues al aumentar su número se reducirá la pro­
babilidad de aciertos al azar. Ahora bien, la pregun­
ta se puede sofisticar un poco más. Supóngase un
test de 10 ítems con cinco alternativas cada uno.
Para intentar responderlo, las personas tendrán que
leer 50 frases, que le ocuparán un tiempo determi­
nado, pongamos 50 minutos. Otro test que mide la
misma variable está compuesto de 25 ítems, con dos
alternativas por ítem; luego el tiempo exigido es el
mismo, 50 minutos. ¿Cuál de los dos tests será pre­
ferible? O, en otras palabras, asumido un cierto
tiempo límite, ¿cuál es el número óptimo de alter­
nativas por ítem? Dadas las claras implicaciones
prácticas para la construcción de test, esta pregun­
ta ha sido abordada clásicamente por numerosos
autores (Ebel, 1951; Grier, 1975, 1976; Lord, 1977,
1980; Tversky, 1964).
Trabajos empíricos pioneros citados por Lord
(1980) parecen indicar que ítems con dos o tres al­
ternativas dan fiabilidades tan buenas o mejores
que los ítems con cuatro o cinco alternativas. Según
Tversky (1964), en un elegante razonamiento mate­
mático, el número óptimo de alternativas sería tres
(exactamente 2,72, base de los logaritmos neperia­
nos). Las conclusiones de Grier (1975, 1976) tam­
bién están a favor de tres alternativas, seguidas en
158 /
Introducción a la Psicometría
pertinencia por dos alternativas. Lord (1977, 1980),
tras una buena revisión y comentario de las aproxi­
maciones precedentes, deriva una fórmula según la
cual el número óptimo de alternativas vendría dado
por:
1
[4.14]
A = 1+
(1 − r) p
de competencia de las personas, pues, como es bien
sabido, las personas incompetentes, en especial las
muy incompetentes, lo suelen hacer peor que si con­
testasen al azar, debido, al parecer, a que son «se­
ducidos» por alternativas falsas plausibles para
ellos, cosa que no les ocurriría de seguir los azaro­
sos dictados de una moneda sin lastrar. Los mode­
los de teoría de respuesta a los ítems permiten ana­
lizar de una manera adecuada esta incidencia para
los distintos niveles.
donde
p: Índice de dificultad del ítem.
r:Correlación entre dos ítems equivalentes con
infinitas alternativas. Sería la fiabilidad teóri­
ca del ítem cuando no existe la posibilidad de
acierto al azar, al tener infinitas alternativas.
Por ejemplo, para un ítem de dificultad media
(p = 0,50) y r = 0,50, el número óptimo de alterna­
tivas según [4.14] vendría dado por:
A = 1+
1
=3
(1 − 0,50)(0,50)
Sin embargo, para otros valores de p y r, A pue­
de tomar valores bien distintos. Compruébelo el lec­
tor.
La fórmula de Lord (1980), más que contrade­
cir los resultados de Grier y de Tversky, los matiza,
si bien los supuestos en los que se basa es poco pro­
bable que se cumplan estrictamente en la práctica
(véase Lord, 1980, pp. 108-109). A la vista de los
datos, el número de tres alternativas aparece como
el más recomendable, y así lo confirma el metaaná­
lisis de Rodríguez (2005). No obstante, los resulta­
dos han de tomarse con cierta precaución, pues los
datos de Budescu y Nevo (1985) no confirman la
hipótesis de proporcionalidad en la que se basan
estas estimaciones, hipótesis que se refiere a la
asunción de que el tiempo total para contestar el
test es proporcional al número de ítems y de alter­
nativas por ítem. Para una buena revisión de la pro­
blemática relativa al número de alternativas, véase
Delgado y Prieto (1998).
Otra cuestión de alto interés es si la modifica­
ción del número de alternativas tiene el mismo efec­
to sobre la eficacia del test para los distintos niveles
5. CORRECCIÓN DEL AZAR
Normalmente la puntuación de una persona en
un test se obtiene mediante una combinación lineal
de sus puntuaciones en los ítems, bien sea sumando
estas o sumándolas tras ponderarlas de algún
modo. En la gran mayoría de los casos la puntua­
ción total es la suma de las obtenidas en los ítems.
Un caso especial surge cuando los ítems son de
elección múltiple, en cuyo caso, aun sin conocer la
respuesta correcta, las personas pueden acertar por
mero azar. En estos casos la fórmula más clásica
para la corrección de los aciertos azar viene dada
por:
E
[4.15]
P = A−
n −1
donde
A: Número de aciertos.
E: Número de errores.
n: Número de alternativas del ítem.
Ejemplo
Los 100 ítems que componen un test tienen cua­
tro alternativas cada uno, de las cuales solo una es
correcta. Si un sujeto contestó correctamente 60
ítems, falló 27 y no respondió a 13, ¿qué puntua­
ción se le asignará una vez corregidos los efectos del
azar?
P = 60 −
27
= 51
4−1
© Ediciones Pirámide
Análisis de los ítems
La fórmula [4.15] se basa en ciertos supuestos que
de no cumplirse la invalidan. Asume que las respues­
tas correctas provienen o bien de que la persona las
conoce y, por tanto, responde adecuadamente, o bien
de que, aun sin conocerlas, responde al azar y acierta.
En el caso de los errores se presume que las personas
desconocían el ítem, respondieron al azar y fallaron.
Asimismo, se asume que cuando no se conoce la res­
puesta a un ítem y, por tanto, se contesta al azar,
todas las alternativas del ítem son equiprobables. Nó­
tese que esta última asunción es especialmente débil,
pues generalmente de las alternativas falsas de un
ítem suele conocerse alguna, descartándola, con lo
que se viola el citado supuesto, al aumentar la proba­
bilidad de acierto de la alternativa correcta.
Cuando se utilice [4.15] es imprescindible hacér­
selo saber a las personas evaluadas para unificar en
lo posible su conducta a la hora de correr riesgos
en caso de duda, si bien dicha unificación nunca
será perfecta, puesto que depende, entre otras cosas,
de las características orécticas de las personas.
Nótese que si, como en ocasiones se hace, se ins­
truye a las personas para que no omitan ningún ítem
(práctica, por otra parte, poco recomendable), las
puntuaciones obtenidas correlacionan perfectamente
(rxy = 1) con las corregidas según la fórmula [4.15],
por lo que su uso tiene poco sentido, o más bien
ninguno. En la literatura psicométrica existe un am­
plio y especializado capítulo de trabajos acerca de la
supuesta conducta de las personas ante los ítems,
posibles técnicas de puntuación, casuística, influen­
cia en los distintos parámetros del test, etc. El lector
interesado puede consultarlo en Albanese (1986),
Angoff y Schrader (1984, 1986), De Finetti (1965),
Diamond y Evans (1973), Frary (1980), García-Pé­
rez (1987, 1989), Gibbons et al. (1979), Hutchinson
(1982), Lord (1975, 1980), Lord y Novick (1968),
Rowley y Traub (1977), Schmittlein (1984), Traub y
Hambleton (1972), Wainer (1983), Wilcox (1983,
1985), entre otros muchos.
Obtención de la fórmula de corrección
Según los supuestos citados, si cada ítem tiene
n alternativas con solo una correcta, la probabilidad
de acertarlo al azar será:
P(A) =
© Ediciones Pirámide
1
n
/ 159
y la probabilidad de error:
P(E ) =
(n − 1)
n
Ahora bien, cuando se corrige el test, solo se
tienen dos datos del sujeto: el número de aciertos
(A) y el número de errores (E ). Lo que intentamos
hacer corrigiendo el azar es restar de los aciertos (A)
aquellos que se deben al azar (Aa), esto es, calcular:
P = A − Aa
Sería muy fácil si supiésemos las respuestas que
el sujeto dio al azar (Ra), pues los aciertos al azar
(Aa) serían igual al número de respuestas al azar
(Ra) dividido entre n:
Aa =
Ra
n
Ahora bien, sí sabemos que:
E = Ra
(n − 1)
n
despejando Ra:
Ra =
3(n − 1)4E
n
sustituyendo:
E
3
(n − 1)4
=
=
n
Aa
n
nE
E
=
(n − 1)n (n − 1)
de donde:
P = A − Aa = A −
E
(n − 1)
que es la fórmula propuesta en [4.15].
160 /
Introducción a la Psicometría
Prohibición de las omisiones
Como se ha señalado, si las personas son ins­
truidas para responder a todos los ítems, obligán­
doles a contestar al azar cuando no conocen la res­
puesta, entonces:
E=N−A
siendo N el número de ítems. Sustituyendo en [4.15]:
P = A−
=
N − A (n − 1)A − (N − A)
=
=
n −1
n −1
n
N
nA − A − N + A
=
A−
n −1
n −1
n −1
Ahora bien, P es una función lineal de A, pues­
to que n/(n − 1) y N/(n − 1) son constantes: luego
su correlación es 1 (rPA = 1).
En suma, en esta situación, como se apuntó al
principio, daría igual escalar a las personas en fun­
ción de la puntuación corregida P que en función
del número de aciertos A.
Nótese también que si bajo las instrucciones de
no omitir ningún ítem alguna persona sí lo hace, su
puntuación global ha de ser corregida para com­
pensar las respuestas correctas que habría obtenido
al azar de haber rellenado todos los ítems. La co­
rrección, siguiendo la lógica anterior, consistiría en
sumar a sus aciertos el número de omisiones (O )
dividido entre n:
P = A+
O
n
6. CALIFICACIÓN DEL CONOCIMIENTO
PARCIAL
Dos personas que aciertan determinado ítem
tal vez no posean el mismo grado de conocimien­
to acerca de él, y lo mismo puede decirse si lo
fallan. La psicometría ha tratado de antiguo de
averiguar de alguna manera gradaciones en la
calificación de las respuestas, es decir, se ha tra­
tado de calificar por diversos caminos el conoci­
miento parcial o incompleto que las personas
poseen de los ítems, y no quedarse escuetamente
en el acierto/fallo. Se han propuesto acercamien­
tos al problema muy diversos, entre los que cabe
destacar:
— Juicios de seguridad.
— Responder-hasta-acertar.
— Ponderación de las alternativas del ítem.
En el método de los juicios de seguridad, ade­
más de contestar a los ítems, se les pide a las perso­
nas evaluadas que emitan un juicio acerca del grado
de seguridad o confianza que tienen de acertarlo. Se
asume implícitamente que a mayor seguridad en el
juicio, mayor conocimiento, pero las interacciones
de estos juicios con aspectos de personalidad y mo­
tivacionales de las personas son poco conocidas y,
además, no se dispone de evidencia clara acerca de
su influencia sobre importantes parámetros del test
como fiabilidad y validez.
El método de responder-hasta-acertar consiste
en eso, en que las personas van dando respuestas
al ítem hasta que lo aciertan. Su implementación
práctica conlleva algún artilugio que dé feedback a
la persona evaluada para que esta sepa cuándo ha
alcanzado la respuesta correcta. El instrumento
ideal para desarrollar esta lógica es el ordenador,
aunque también es factible con papel y lápiz. La
puntuación total se obtiene penalizando el número
de respuestas necesario para alcanzar las solucio­
nes correctas. Como en el caso anterior, las venta­
jas respecto del modo tradicional de puntuación no
resultan notables; véase al respecto Wilcox (1981,
1982).
Finalmente, el método de ponderar las alterna­
tivas consiste en asignar a cada alternativa distinto
peso según su grado de corrección, estimada por
expertos. El método es habitual en los ámbitos edu­
cativos, pero, como señalan Crocker y Algina (1986),
hasta la fecha no hay datos concluyentes de sus be­
neficios.
A modo de conclusión sumaria, puede decirse
que la idea general de asignar cierta calificación
por el conocimiento incompleto o parcial de las
respuestas es plausible, pero con los métodos de­
sarrollados hasta ahora la evidencia empírica ob­
tenida no es muy alentadora en lo que a ventajas
sobre el sistema más clásico de todo-nada se re­
fiere.
© Ediciones Pirámide
Análisis de los ítems
7. FUNCIONAMIENTO DIFERENCIAL
DE LOS ÍTEMS
7.1. Introducción
El funcionamiento diferencial de los ítems (FDI),
denominado en sus orígenes «sesgo», es un tópico
que aparece tardíamente tratado, a partir de los años
setenta, en la literatura psicométrica especializada.
Los textos clásicos (Gulliksen, 1950; Lord y Novick,
1968; Thorndike, 1971) prácticamente ni lo citan, y
tampoco lo hace la edición de 1966 de los Standards
for Educational and Psychological Tests and Manuals.
Será la discusión social y psicológica teórica, ajena en
gran parte al círculo psicométrico especializado, reac­
tivada tras el polémico artículo de Jensen (1969), la
que obligue a los psicómetras profesionales a generar
esta metodología, para mostrar que sus ítems y sus
test no están sesgados, o sí. Además, los nuevos mo­
delos de teoría de respuesta a los ítems proporciona­
rán un marco adecuado para el tratamiento del pro­
blema. Hoy la literatura al respecto es abundante. Un
tratamiento enciclopédico y clásico es el de Jensen
(1980), así como interesante para contrastar distintos
puntos de vista en la subsiguiente revisión del libro
por varios especialistas, con réplica del autor, llevada
a cabo en la revista Behavioral and Brain Sciences
(1980). El texto de Berk (1982), producto de un con­
greso sobre el tema, proporciona una buena visión de
la tecnología disponible entonces, incluyendo además
una exposición por parte de los principales editores
de test norteamericanos de lo que realmente hacen
para evitar el sesgo en ellos. Buenos tratamientos
pueden verse en textos como los de Berk (1982), Hol­
land y Wainer (1993), Camilli y Shepard (1994), Ca­
milli (2006) y Osterlind y Everson (2009). En español
véanse Fidalgo (1996) y Gómez, Hidalgo y Guilera
(2010), donde se puede encontrar una relación de los
programas informáticos más habituales para la detec­
ción del FDI. En el epígrafe 10 del capítulo 7 de este
libro se expone el tratamiento del FDI dentro del
marco de la teoría de respuesta a los ítems (TRI).
7.2. Concepto
Un metro estará sistemáticamente sesgado si no
proporciona la misma medida para dos objetos o cla­
ses de objetos que de hecho miden lo mismo, sino
© Ediciones Pirámide
/ 161
que sistemáticamente perjudica a uno de ellos. Hay
situaciones en las que incluso un instrumento de me­
dida tan «sólido» como un metro puede generar me­
didas sesgadas. Piénsese, por ejemplo, en dos tuberías
metálicas que miden 100 metros cada una; la prime­
ra conduce agua caliente a 100 grados centígrados, y
la segunda, fría a 10 grados (miden lo mismo a esas
temperaturas). Si se utiliza para medirlas un metro
metálico, el resultado estará sesgado «contra» la tu­
bería que conduce agua caliente, pues según este me­
tro medirá algo menos de los 100 metros que debería.
En el proceso de medir el metro metálico se habrá
dilatado al calentarse y no medirá metros, sino me­
tros y algo más, con lo cual el resultado final estará
algo por debajo de 100. Puede decirse que este metro
metálico está sesgado contra los tubos conductores
de agua caliente, es decir, no funciona igual para am­
bos tubos, muestra un funcionamiento diferencial.
Un ítem mostrará FDI si para dos personas o
grupos con el mismo valor en la variable medida
generan mediciones distintas.
Como es fácil de entender, el problema del FDI
viene acompañado de serias implicaciones sociales
en el uso de los test, pues, de darse tal sesgo, ciertos
grupos sociales, clásicamente blancos-negros, muje­
res-hombres, pobres-ricos, etc., aunque cualquier
otra partición es posible, sufrirán las consecuencias.
Si se toma una postura socialmente militante y se
afirma de antemano que las variables psicológicas
medidas han de tomar los mismos valores para los
grupos citados, u otros, entonces la definición de ses­
go adoptada es mucho más lasa, a saber, se hablará
de sesgo siempre que se detecten diferencias entre los
grupos. Nótese que la definición original no implica
esto; las comparaciones no se establecen entre los
grupos considerados globalmente, sino entre las per­
sonas de ambos grupos que tienen el mismo nivel en
la variable medida. Es importante entender esta di­
ferencia, pues, aunque no muy probable, es perfecta­
mente posible que un test esté sesgado «contra» de­
terminada subpoblación, según el primer concepto
de sesgo, y, sin embargo, este mismo grupo obtenga
puntuaciones superiores a la subpoblación «favore­
cida» por el sesgo. Véase lo dicho en la figura 4.2, en
la que se han representado en abscisas las puntua­
ciones globales obtenidas en el test (X ) por una
muestra de hombres y otra de mujeres, y en ordena­
das, la proporción de aciertos de ambos grupos en
un ítem (P).
162 /
Introducción a la Psicometría
1
H
M
P
X
H
M
Figura 4.2—Ítem sesgado contra las mujeres.
A pesar de que el ítem está sesgado contra las
mujeres para todos los valores de X (para todo va­
lor de X la proporción de aciertos es menor en la
muestra de mujeres), la media total de las mujeres
en el test es superior a la de los hombres, como se
puede observar en las distribuciones dibujadas en el
eje de abscisas.
La psicometría se ocupa del sesgo tal como se
definió en primer lugar, es decir, entiende que un
ítem o un test están sesgados si personas igualmen­
te competentes y pertenecientes a distintas subpo­
blaciones no tienen la misma probabilidad de supe­
rar el ítem (o test). Ahora bien, si dos personas
tienen el mismo nivel en una variable, ¿a qué se pue­
de deber que un ítem diseñado para medir esa va­
riable pueda estar sesgado, esto es, pueda ser más
favorable a uno que a otro? Las fuentes del sesgo
son numerosas y vienen generadas principalmente
por el distinto bagaje cultural, social, económico,
etc., de las personas, o, para oídos más operantes,
por la historia estimular de las personas. Dado que
estos antecedentes históricos de las personas nunca
serán los mismos, y pueden ser marcadamente dis­
tintos según la subcultura, si un ítem, o instrumen­
to en general, se apoya más en la de unos que en la
de otros, tendrá altísimas probabilidades de no ser
equitativo, de estar sesgado. El problema puede te­
ner serias repercusiones sociales si es precisamente
una de las dos culturas, obviamente la dominante,
la que construye los tests para todos. Ejemplos clá­
sicos de sesgo se producen cuando la medición de
una variable viene contaminada por otra, sesgándo­
se la medida en función de la variable contamina­
dora. Si, por ejemplo, un test de competencia mate­
mática está formulado de tal modo que exige un
alto nivel de comprensión verbal, estará sesgado
contra los lectores menos eficientes. En términos de
diseño se confunde el efecto de la comprensión ver­
bal con el de la competencia matemática, es decir, si
una persona puntúa bajo en el test, no sabremos a
ciencia cierta si atribuirlo a su bajo rendimiento en
matemáticas o a que su competencia verbal es limi­
tada y no ha llegado a captar los problemas plan­
teados. La casuística es interminable y puede decir­
se que estrictamente no existen pruebas exentas
completamente de sesgo; más bien se trata de detec­
tar la cantidad de sesgo tolerable. Expuesto breve­
mente el concepto de sesgo, véase Shepard (1982)
© Ediciones Pirámide
Análisis de los ítems
para un análisis detallado. Se exponen a continua­
ción algunas de las técnicas de las que se valen los
psicómetras para la detección y análisis del sesgo.
Antes de entrar en la exposición de las técnicas
para detectar el FDI, es obligado hacer una aclara­
ción terminológica. En la actualidad prácticamente
ha dejado de utilizarse el término sesgo de los ítems
(o de los test), en favor del más aséptico funcionamiento diferencial de los ítems (o de los test). La
razón es la siguiente. En realidad, lo que las técni­
cas que se van a exponer detectan es si un ítem (o
un test) funciona igual o diferente para un grupo
que para otro, es decir, si existe un funcionamiento
diferencial del ítem (FDI) para los grupos compa­
rados. Eso es todo, la técnica no permite ir más
allá, no dice nada acerca de la naturaleza o causa
del funcionamiento diferencial. Las razones del
funcionamiento diferencial, si lo hubiese, corres­
ponde buscarlas al especialista o investigador del
campo. En este sentido, los resultados de aplicar los
métodos estadísticos para detectar el FDI no son
más que un primer paso modesto para el estudio de
lo realmente importante, a saber, cuáles son las ra­
zones psicológicas, educativas, culturales, sociales,
actitudinales, etc., que hacen que un ítem no fun­
cione igual para los grupos estudiados. Por tanto,
lo que se pretende con este cambio terminológico,
propuesto con éxito por Holland y Thayer (1988),
es una mayor precisión descriptiva de lo que real­
mente hacen las técnicas. Suele reservarse el térmi­
no «sesgo» para el estudio más amplio que sigue
una vez detectado el FDI, mediante el cual se tratan
de buscar las causas que originan el funcionamien­
to diferencial. Nótese que de la existencia de FDI
no se sigue automáticamente la existencia de sesgo,
pues bien pudiera ocurrir que la causa de ese fun­
cionamiento diferencial detectado fuera pertinente
para la variable medida, con lo cual el ítem estaría
cumpliendo con su cometido. Por ejemplo, imagíne­
se un test para seleccionar controladores aéreos en
el que se encuentra que algunos ítems muestran
FDI, debido al distinto nivel de inglés de los aspi­
rantes, saliendo favorecidos aquellos con mejor ni­
vel en este idioma. Ahora bien, dado que los res­
ponsables de la selección consideran que un buen
dominio del inglés es importante para desempeñar
eficazmente la labor de controlador aéreo, deciden
mantener estos ítems dentro del test, es decir, el fun­
cionamiento diferencial mostrado por esos ítems no
© Ediciones Pirámide
/ 163
lo consideran sesgo, puesto que va en la dirección
de la variable medida.
Hecha esta aclaración terminológica, en la ex­
posición que sigue a veces se utiliza el término sesgo
cuando en puridad se debería utilizar funcionamiento diferencial de los ítems, pero en cada caso el con­
texto permitirá al lector tener claro a qué nos esta­
mos refiriendo.
7.3. Métodos de evaluación
Seguramente el método más eficiente para evi­
tar en lo posible el FDI de los ítems sea un cuida­
doso análisis de su contenido por parte de varios
expertos previo a su publicación. Una buena expo­
sición sobre el modo de sistematizar y formalizar
esta revisión es la de Tittle (1982). Hecha tal revi­
sión y aplicados los ítems a las personas, aún cabe
llevar a cabo ciertos análisis estadísticos que permi­
ten detectar el FDI en ítems escapados al análisis
previo. A este tipo de técnicas estadísticas a poste­
riori nos referiremos aquí, pero dejando claro que
solo son un complemento de un escrutinio riguroso
previo. La nómina es abundante, pero aquí solo se
abordarán cinco de las más típicas.
7.3.1.
c 2 de los aciertos
Un método para detectar el FDI derivado di­
rectamente de la definición dada consiste en dividir
las puntuaciones en el test de los dos grupos estu­
diados en varios niveles, entre cinco y 10 normal­
mente, y comparar los aciertos de cada grupo en los
distintos niveles. Si el ítem no está sesgado, es de
esperar que las proporciones de aciertos en los dis­
tintos niveles sean iguales para los dos grupos. La
significación estadística de las diferencias puede
analizarse mediante la prueba de c 2 propuesta por
Scheuneman (1979) aplicada a los aciertos. Véase
ilustrada en la figura 4.3 la lógica anterior para una
muestra de hombres y otra de mujeres.
En el eje de abscisas aparecen representadas las
puntuaciones en el test, y en el de ordenadas, la pro­
porción de personas que acertaron el ítem conside­
rado para cada categoría. El análisis visual del grá­
fico parece indicar que el ítem considerado no está
sesgado, pues las proporciones de aciertos son muy
164 /
Introducción a la Psicometría
Mujeres
Hombres
P
0
2
4
6
8
10
12
14
16
18
20
X
Figura 4.3.—Proporción de aciertos de un ítem en una muestra de mujeres y otra de hombres según las
puntuaciones obtenidas en el test.
similares para ambos grupos. En la práctica, la si­
tuación no será probablemente tan clara y por ello
se utilizan diversas técnicas estadísticas para decidir
sobre la significación de las diferencias halladas.
Veamos la citada de Scheuneman (1979) mediante
un ejemplo.
Ejemplo
Sea un test de rapidez perceptiva aplicado a 400
personas, 200 hombres y 200 mujeres, cuyas pun­
tuaciones se dividieron en cinco categorías según su
cuantía. Se desea estudiar el posible sesgo de un
ítem que por incluir estímulos perceptuales más fa­
miliares en nuestra cultura a los hombres que a las
mujeres pudiera estar sesgado en contra de estas.
Los resultados aparecen en la tabla 4.4.
Todos los datos de la tabla se obtienen directa­
mente de los resultados en el test tras su corrección.
Para aplicar c 2 se necesita además la frecuencia es­
perada o teórica para el caso de que no existiesen
diferencias entre los grupos, esto es, para el caso de
TABLA 4.4
Número de personas
X
20-24
15-19
10-14
5-9
0-4
Aciertos
Mujeres
Hombres
Total
Mujeres
Hombres
Total
20
100
50
20
10
15
105
40
30
10
35
205
90
50
20
15
70
10
  5
  0
10
85
30
20
  5
25
155
40
25
  5
200
200
400
100
150
250
Proporción aciertos
(total)
   25/35 = 0,71
155/205 = 0,76
   40/90 = 0,44
   25/50 = 0,50
   5/20 = 0,25
© Ediciones Pirámide
Análisis de los ítems
la hipótesis nula de no sesgo. Para ello se multiplica
la última columna por la primera y la segunda, ob­
teniendo los diez valores esperados que aparecen en
la tabla 4.5.
TABLA 4.5
Frecuencias esperadas (H0)
X
20-24
15-19
10-14
5-9
0-4
Mujeres
Hombres
20 × 0,71 = 14,20
100 × 0,76 = 76,00
50 × 0,44 = 22,00
20 × 0,50 = 10,00
10 × 0,25 =   2,50
15 × 0,71 = 10,65
105 × 0,76 = 79,80
40 × 0,44 = 17,60
30 × 0,50 = 15,00
10 × 0,25 =   2,50
Los valores teóricos obtenidos de este modo
son aquellos que deberían darse en caso de que la
proporción de aciertos fuese la misma para ambos
sexos. A partir de los valores esperados y de los
obtenidos empíricamente se construye la tabla 4.6,
a la que se aplica c 2.
χ2 =
(15 − 14,2)2 (70 − 76)2 (10 − 22)2
+
+
+
14,2
76
22
+
(5 − 10)2 (0 − 2,5)2 (10 − 10,65)2
+
+
+
10
2,5
10,65
+
(85 − 79,8)2 (30 − 17,6)2 (20 − 15)2
+
+
+
79,8
17,6
15
+
(5 − 2,5)2
= 25,34
2,5
Frecuencias empíricas y teóricas
20-24
15-19
10-14
5-9
0-4
Mujeres
Hombres
E
T
E
T
15
70
10
5
0
14,20
76
22
10
2,50
10
85
30
20
5
10,65
79,80
17,60
15
2,50
© Ediciones Pirámide
El valor obtenido (25,34) es muy superior al
2
dado por las tablas para c 0,99
con 4 grados de liber­
tad (13,28); luego se rechaza la hipótesis nula, el ítem
está sesgado. [Los grados de libertad vienen dados
por (c − 1)( f − 1) = (2 − 1)(5 − 1) = 4, donde c es el
número de columnas o grupos comparados, y f el de
filas o niveles en los que se dividen las puntuaciones.]
Nótese que la única información proporcionada
por c 2 es que la discrepancia estadística es significa­
tiva, pero no nos indica nada acerca del sentido del
sesgo, es decir, qué grupo es más favorecido por el
ítem. Para ello hay que recurrir a la representación
gráfica o a ciertos índices propuestos por algunos
autores (Ironson, 1982; Ironson y Subkoviak, 1979)
consistentes en colocar signos negativos cuando los
valores empíricos de una casilla sean menores que
los teóricos esperados; de ese modo, el grupo con
más valores negativos sería el más perjudicado por
el ítem. En nuestro ejemplo, el ítem considerado está
claramente sesgado contra las mujeres, pues en cua­
tro de los cinco niveles los valores empíricos son me­
nores que los teóricos, mientras que en los hombres
ocurre lo contrario, como indica la figura 4.4.
La prueba de Scheuneman tiene algún inconve­
niente añadido a los clásicos de c 2 de dependencia
del número de sujetos y categorías, ya que estricta­
mente no se distribuye según c 2, es una aproxima­
ción (Baker, 1981; Ironson, 1982; Marascuilo y
Slaughter, 1981), además de no hacer uso de las res­
puestas incorrectas de las personas evaluadas. Este
inconveniente de no usar la información proporcio­
nada por las respuestas incorrectas de las personas
puede evitarse utilizando la c 2 global.
7.3.2. c 2 global
TABLA 4.6
X
/ 165
Consiste en calcular c 2 de los aciertos, tal como se
ha hecho antes, y análogamente c 2 de los errores. La
suma de ambas se distribuye según la así llamada c 2
global (Camilli, 1979) con (K − l)j grados de libertad,
donde K es el número de grupos comparados, y j, el
número de niveles en los que se dividen las puntuacio­
nes en el test. (Haga el lector los cálculos a modo de
ejercicio para los datos del ejemplo anterior.) Una ex­
celente comparación entre las dos c 2, aciertos y global,
amén del análisis de otros problemas implicados, como
el número de categorías adecuado, número de sujetos
por categoría, etc., puede verse en Ironson (1982).
166 /
Introducción a la Psicometría
Proporción de aciertos en el ítem
1,00
Mujeres
Hombres
0,75
0,50
0,25
0-4
5-9
10-14
15-19
20-24
Puntuaciones en el test
Figura 4.4.—Proporción de aciertos de un ítem en una muestra de mujeres y otra de hombres, según las
puntuaciones obtenidas en el test.
El atractivo de estas técnicas basadas en c 2 ra­
dica en su sencillez y fácil comprensión por parte de
usuarios como profesores, psicólogos, médicos y
otros profesionales generalmente familiarizados
con c 2. Ahora bien, aparte de los problemas de
tipo, digamos, técnico-estadístico apuntados, su de­
bilidad radica en que se apoyan en la asunción de
que la mayoría de los ítems del test no están sesga­
dos. Nótese que al establecer las categorías en las
puntuaciones del test para evaluar el sesgo de un
ítem se asume que los (n − 1) ítems utilizados para
obtenerlas reflejan las verdaderas puntuaciones de
los dos grupos a comparar, esto es, son insesgados.
Esto no hay medio de comprobarlo; luego si ocu­
rriera que la mayoría de los ítems estuvieran sesga­
dos, así lo estarían las puntuaciones de las personas
en cada nivel. En suma, las técnicas anteriores se­
rían útiles si la asunción de que la mayoría de los
ítems están insesgados se cumple, asunción razona­
ble pero difícilmente contrastable empíricamente;
en una situación de sesgo generalizado constituyen
un razonamiento circular, o, más exactamente, solo
permitirían comprobar el sesgo de un ítem respecto
del sesgo de otros ítems que conforman el test to­
mados conjuntamente.
Una forma de mitigar el problema es proceder
por etapas. En una primera fase se detectan me­
diante alguno de los métodos los ítems que presen­
tan FDI. En una segunda etapa se reanaliza el fun­
cionamiento diferencial de los ítems, utilizando
para establecer las categorías únicamente los ítems
que no presentaron FDI en la primera fase. De este
modo se purifica notablemente la puntuación glo­
bal a partir de la cual se establecen las categorías.
Abundantes investigaciones muestran que estos
procedimientos iterativos funcionan bastante mejor
que los realizados en una sola etapa.
7.3.3.
Método delta
El método delta (Angoff y Ford, 1973; Angoff,
1982b) ha sido uno de los más utilizados antes del
desarrollo de la metodología actual. A grandes ras­
gos, consiste en calcular las proporciones de acier­
tos o índices de dificultad clásicos de cada ítem
para los grupos en los que se pretende estudiar el
FDI. Estas proporciones se convierten en puntua­
ciones típicas bajo la curva normal, puntuaciones
que se transforman a su vez en otra escala más ma© Ediciones Pirámide
Análisis de los ítems
/ 167
25
20
Mujeres
15
10
5
0
0
5
10
20
15
25
Hombres
Figura 4.5.—Puntuaciones delta.
nejable. La más afamada y clásica es la escala delta y, en consecuencia, las puntuaciones delta, ob­
tenidas al multiplicar las típicas por 4 y sumarles
13. Una vez halladas las puntuaciones delta para
cada grupo, se representan gráficamente. Si todos
los puntos caen en una recta, los ítems estarían
insesgados, considerándose sesgados aquellos que
se apartan sustancialmente de la recta. Véase ello
ilustrado en la figura 4.5, donde según este crite­
rio dos de los ítems estarían especialmente sesga­
dos.
Nótese que el test en cuestión es más fácil para
las mujeres que para los hombres, al estar los valo­
res de los ítems por debajo de la diagonal; la difi­
cultad sería la misma para ambas subpoblaciones
cuando los valores se ajustasen a la diagonal. No
confundir dificultad y sesgo.
Un índice general del FDI viene dado por el
ajuste de los puntos a la recta, lo que se puede ha­
llar mediante la correlación de Pearson entre los
valores delta de los ítems para los dos grupos com­
parados. Angoff y Ford (1973) proponen también
© Ediciones Pirámide
como indicador del FDI de cada ítem su distancia
al eje principal de la elipse generada por los ítems.
Cuanto mayor sea la distancia, más FDI mostrará
el ítem respecto de los otros.
El eje principal viene dado por:
Y = aX + b
donde
a=
2 2 2
Sx S y
S y2 − Sx2 + (S y2 − Sx2 )2 + 4rxy
2rxySxS y
b = Y − aX
y el índice de distancia por:
d =
aX j − Y j + b
a2 + 1
168 /
Introducción a la Psicometría
donde
Xj: Puntuación delta del ítem j en el grupo X.
Yj: Puntuación delta del ítem j en el grupo Y.
a y b: Vienen dados por las fórmulas citadas.
Calculada la distancia para todos los ítems, su
distribución proporciona una idea de conjunto del
FDI y permite establecer criterios de corte descrip­
tivos para descartar ítems que se apartan notable­
mente de la media.
Conviene hacer algunas puntualizaciones sobre
lo dicho. La razón de la transformación de los ín­
dices de dificultad o proporciones (P) de aciertos de
los ítems en puntuaciones típicas (Z) tiene como
objetivo convertir en lineales las relaciones que en­
tre las proporciones directamente podrían ser cur­
vilíneas. Dicha transformación se denomina «inver­
sa normal», porque asigna no a P sino a (1 − P) la
Z correspondiente. La legitimidad teórica de esta
transformación es cuestionada por Lord (1980), y
en consecuencia el método mismo. Nótese también
que si todos los puntos generados por los ítems se
ajustan adecuadamente a una recta, según el crite­
rio anterior no existiría FDI, pero es igualmente
lícito afirmar que todos los ítems están igual de ses­
gados. Más que el FDI en abstracto, el método delta evalúa la discrepancia entre sesgos. De nuevo,
como ocurría con c 2, se precisa la asunción de que
la mayoría de los ítems no presentan FDI.
7.3.4. Mantel-Haenszel
Debido a su relativa sencillez de cálculo y a los
buenos resultados que ofrece, el método de Mantel y
Haenszel (1959) es el más utilizado en la actualidad.
Su aplicación a la evaluación del funcionamiento di­
ferencial de los ítems fue propuesta inicialmente por
Holland (Holland, 1985; Holland y Thayer, 1985,
1986, 1988) y puede considerarse una extensión natu­
ral de los métodos de c 2 expuestos previamente.
La lógica general del método es clara y sencilla:
un ítem no presentará un funcionamiento diferen­
cial si el cociente entre las personas que aciertan el
ítem y las que lo fallan es el mismo para los dos
grupos comparados en cada una de las categorías o
niveles en los que se dividan las puntuaciones del
test. Esa es la hipótesis nula que se somete a prueba
mediante el estadístico de Mantel-Haenszel (M-H).
Formalmente esta hipótesis puede formularse del
siguiente modo:
H0 :
Aj
Bj
=
Cj
Dj
para cada una de las categorías j
donde A, B, C y D son las frecuencias absolutas
correspondientes a cada una de las categorías j en
las que se dividen las puntuaciones del test, según
se indica en la tabla 4.7 adjunta.
TABLA 4.7
Aciertos
(1)
Errores
(0)
Marginales
Grupo de referencia (R)
Aj
Bj
nRj
Grupo focal (F)
Cj
Dj
nFj
Marginales
n1j
n0j
Nj
Para aplicar el método de M-H a unos datos se
procede igual que se hacía para la prueba de c 2 de
los aciertos. Lo primero que hay que hacer es dividir
la muestra en varias categorías o intervalos en fun­
ción de las puntuaciones globales del test, y poste­
riormente computar los aciertos en el ítem cuyo fun­
cionamiento diferencial se indaga para cada una de
las categorías y grupos. En suma, la estructura de
datos de la que se parte es la misma que la utilizada
en la prueba c 2 de los aciertos. A partir de ahí, se
construye una tabla como la 4.7 de dos filas y dos
columnas (2 × 2) para cada una de las categorías.
Es arbitrario asignar a un grupo u otro de los
que se estudia la denominación de referencia o focal,
aunque suele reservarse el término «focal» para
aquel grupo, generalmente minoritario, que a priori
se considera posiblemente perjudicado por alguno
de los ítems. No obstante, esto no es esencial para
aplicar el método, siempre y cuando seamos conse­
cuentes con la asignación hecha a la hora de inter­
pretar los resultados.
El estadístico de Mantel-Haenszel viene dado
por la siguiente fórmula:
2
Aj − j E(Aj ) − 0,5
j
2
[4.16]
χ MH =
Var (Aj )
j
1∑
∑
∑
2
© Ediciones Pirámide
Análisis de los ítems
donde
/ 169
Intervalo 5-9
2
c MH
:Se distribuye según c 2 con 1 grado
de libertad.
∑j Aj:Representa la suma de los valores de
A para cada una de las categorías j.
∑j E(Aj):Es la suma de las esperanzas mate­
máticas de A, que para cada una de
las categorías j viene dada por:
E(Aj ) =
Aciertos
Errores
Marginales
Hombres
Mujeres
20
5
10
15
30
20
Marginales
25
25
50
A2 = 20
nRj n1 j
Nj
E(A2 ) =
∑j Var (Aj):Es la suma de las varianzas de A
para cada una de las categorías j,
que viene dada por:
Var (A2 ) =
nRj nFj n1 j n0 j
Var (Aj ) = 2
N j (N j − 1)
Veamos paso a paso cómo se lleva a cabo el
cálculo. Para ello utilizaremos los datos de la tabla
4.4. Recuérdese que la tabla refleja los resultados de
una muestra de 400 personas (200 hombres y 200
mujeres) tras responder a uno de los ítems de un
test de rapidez perceptiva que se sospechaba podría
estar sesgado en contra de las mujeres.
En primer lugar, hay que confeccionar tantas tablas
de dos filas y dos columnas (2 × 2) como intervalos se
hayan formado a partir de las puntuaciones globales
del test. En nuestro ejemplo serán cinco tablas, pues se
han establecido cinco intervalos. Debajo de cada tabla
aparecen los cálculos que se utilizarán posteriormente
para hallar el estadístico de Mantel-Haenszel.
(25 × 30)
= 15
50
(30 × 20 × 25 × 25)
= 3,061
50 2 (50 − 1)
Intervalo 10-14
Aciertos
Errores
Marginales
Hombres
Mujeres
30
10
10
40
40
50
Marginales
40
50
90
A3 = 30
E(A3 ) =
Var (A3 ) =
(40 × 40)
= 17,777
90
(40 × 50 × 40 × 50)
= 5,549
90 2 (90 − 1)
Intervalo 15-19
Intervalo 0-4
Aciertos
Errores
Marginales
Hombres
Mujeres
5
0
5
10
10
10
Marginales
5
15
20
A1 = 5
(5 × 10)
= 2,5
20
(10 × 10 × 5 × 15)
Var (A1 ) =
= 0,987
202 (20 − 1)
E(A1 ) =
© Ediciones Pirámide
Aciertos
Errores
Marginales
85
70
20
30
105
100
155
50
205
Hombres
Mujeres
Marginales
A4 = 85
E(A4 ) =
Var (A4 ) =
(155 × 105)
= 79,39
205
(105 × 100 × 155 × 50)
= 9,492
2052 (205 − 1)
170 /
Introducción a la Psicometría
Intervalo 20-24
Aciertos
Errores
Marginales
Hombres
Mujeres
10
15
5
5
15
20
Marginales
25
10
35
A5 = 10
E(A5 ) =
Var (A5 ) =
(25 × 15)
= 10,714
35
(15 × 20 × 25 × 10)
= 1,8
352 (35 − 1)
Una vez confeccionadas las tablas de contin­
gencia de 2 × 2 para cada una de las cinco catego­
rías, y obtenidos los valores de A, E(A) y Var (A)
para cada una de ellas, se obtienen las sumas co­
rrespondientes y se aplica la fórmula 4.16.
∑ j Aj = 5 + 20 + 30 + 85 + 10 = 150
∑ j E(Aj ) = 2,5 + 15 + 17,777 + 79,39 + 10,714 =
= 125,381
∑ j Var (Aj ) = 0,987 + 3,061+ 5,549 + 9,492 + 1,8 =
= 20,889
2
χ MH
=
( 150 − 125,381 − 0,5)2
= 27,85
20,889
Al nivel de confianza del 99 % con 1 grado de
libertad el valor de c 2 en las tablas viene dado por
6,63. Puesto que 27,85 > 6,63, la diferencia entre el
grupo de referencia (hombres) y el focal (mujeres)
resulta estadísticamente significativa; por tanto el
ítem analizado no funciona igual para los hombres
y las mujeres. Este resultado coincide con el obtenido
en el apartado 7.3.1 para los mismos datos por el
método de c 2 de los aciertos. En este caso el funcio­
namiento diferencial del ítem es tan obvio que todos
los métodos lo detectan sin problema; es a medida
que las diferencias entre los grupos se van haciendo
más pequeñas cuando pueden surgir algunas discre­
pancias entre los distintos métodos utilizados.
Fijado un cierto nivel de confianza, el método
de Mantel-Haenszel solo indica si el ítem funciona
diferencialmente o no para los grupos estudiados,
pero no informa ni sobre el grupo perjudicado por
el funcionamiento diferencial del ítem ni sobre la
cuantía de las diferencias en funcionamiento. La
forma más sencilla de averiguar estas dos cuestiones
es representando gráficamente las proporciones de
aciertos de cada grupo para las distintas categorías
formadas, como se indica en la figura 4.4.
Mantel-Haenszel proporcionan un estimador
numérico que indica la cuantía y dirección de las
diferencias de funcionamiento encontradas. El esti­
mador viene dado por:
∑j
Aj D j
Nj
α̂ MH =
[4.17]
B jC j
∑j
Nj
Para aplicarlo a los datos del ejemplo anterior
hay que hacer los cálculos para cada una de las cin­
co categorías establecidas y luego sumarlos, como
indica la fórmula.
A1D1 5 × 10
=
= 2,5
N1
20
B1C1 5 × 0
=
=0
N1
20
A2 D2
20 × 15
=
=6
N2
50
B2C2 10 × 5
=
=1
N2
50
A3D3
30 × 40
=
= 13,33
N3
90
B3C3 10 × 10
=
= 1,11
N3
90
A4 D4
85 × 30
=
= 12,44
N4
205
B4C4
20 × 70
=
= 6,83
N4
205
AD
10 × 5
© Ediciones Pirámide
N3
=
90
= 1,11
A4 D4
85 × 30
=
= 12,44
N4
205
Análisis de los ítems
B4C4
20 × 70
=
= 6,83
N4
205
A5 D5 10 × 5
=
= 1,43
N5
35
B5C5
5 × 15
=
= 2,14
N5
35
α̂ MH =
(2,5 + 6 + 13,33 + 12,44 + 1,43)
= 3,22
(0 + 1 + 1,11 + 6,83 + 2,14)
Los valores de a§MH oscilan entre cero e infinito.
Valores mayores que 1 indican que el ítem favorece
al grupo de referencia, y menores, al focal. En con­
secuencia, para nuestro ejemplo el ítem analizado
favorece notablemente a los hombres, dado que el
valor obtenido (3,22) se aleja claramente de 1.
Una sencilla transformación propuesta por Hol­
land y Thayer (1985) permite expresar el valor de
a§MH en una escala simétrica con origen cero, lo cual
resulta muy útil cara a la interpretación de los re­
sultados. A medida que los valores se alejan de cero,
aumenta el funcionamiento diferencial, indicando
los valores negativos que el ítem beneficia al grupo
de referencia, y los positivos al focal.
La transformación viene dada por:
ΔMH = −2,35 ln (a§MH)
[4.18]
donde ΔMH es la nueva métrica y ln el logaritmo
neperiano de (a§MH).
Para los datos de nuestro ejemplo:
ΔMH = −2,35 ln (3,22) = −2,75
Este resultado pone de manifiesto que el ítem
tiene un claro funcionamiento diferencial para am­
bos grupos, dado que el valor se aleja notablemente
de cero, y que favorece al grupo de referencia, pues­
to que el signo es negativo.
Como señalan Holland y Thayer (1985), esta
escala de ΔMH puede interpretarse también como
una medida del funcionamiento diferencial de los
ítems en la escala de diferencias de dificultad entre
los ítems expresadas por la escala delta expuesta en
el apartado anterior.
Una pregunta que tal vez le surja al lector es el
número de categorías o intervalos que deben hacer­
© Ediciones Pirámide
/ 171
se. Lo ideal es hacer tantas como ítems tiene el test
más una. Lo que ocurre es que si uno de los grupos
a comparar, generalmente el focal, está formado por
pocas personas, puede ocurrir que muchas de estas
categorías queden vacías, por lo que hay que agru­
parlas. A medida que se reduce el número de cate­
gorías, tiende a aumentar la probabilidad de catalo­
gar ítems con funcionamiento diferencial cuando en
realidad no lo tienen. Tiende, en suma, a aumentar
el error de tipo I, o falsos positivos, sobre todo si
hay diferencias en el test entre los grupos compara­
dos. No existe un número mágico de categorías ni
de personas por categoría, en cada caso hay que
llegar a un compromiso entre el número de catego­
rías y el número mínimo de personas por categoría.
En general, como señalan Hambleton, Clauser, Ma­
zor y Jones (1993), no conviene utilizar el método
de Mantel-Haenszel cuando uno de los grupos (fo­
cal o referencia) tiene menos de 200 personas. A
veces los educadores y psicólogos no disponen de
ese número mínimo de personas, en cuyo caso pue­
den al menos recurrir a representaciones gráficas,
pues la mera inspección visual introduce notables
ganancias en relación con no hacer nada.
Al estar tan extendido el uso del método de
Mantel-Haenszel, se han realizado numerosos tra­
bajos de investigación acerca de su funcionamiento
bajo todo tipo de circunstancias, un resumen de los
cuales puede consultarse en Hambleton, Clauser,
Mazor y Jones (1994) o Fidalgo (1996). La limita­
ción más reseñable del método es que no detecta
cuando existe lo que se llama «funcionamiento di­
ferencial no uniforme», si bien este tipo de FDI no
suele ser muy habitual en la práctica. Se dice que
existe FDI uniforme cuando el ítem perjudica siste­
máticamente a uno de los grupos a lo largo de to­
das las categorías en las que se dividen las puntua­
ciones del test. Por el contrario, cuando para unas
categorías el ítem perjudica a uno de los grupos y
para otras perjudica al otro grupo, se dice que tiene
un FDI no uniforme. Por ejemplo, en las figuras 4.3
y 4.4 puede observarse un FDI no uniforme para
hombres y mujeres; nótese que se cruzan las líneas
que unen las proporciones de aciertos de ambos
grupos para los distintos niveles. El análisis de las
causas de ese tipo de funcionamiento no uniforme
resulta de sumo interés para investigadores y profe­
sionales. Para solucionar esta limitación del método
de M-H, Mazor, Clauser y Hambleton (1994) han
172 /
Introducción a la Psicometría
propuesto con éxito una variante sencilla, consis­
tente en dividir la muestra en dos grupos (por enci­
ma y por debajo de la media total) y hacer los
cálculos por separado para cada uno de los grupos.
7.3.5. Índice de estandarización
Se expone finalmente un indicador del funcio­
namiento diferencial de los ítems de uso muy exten­
dido. Su cálculo exige, como los anteriores, dividir
en varias categorías a las personas de la muestra en
función de sus puntuaciones en el test. El índice de
estandarización (Dorans y Holland, 1993) cuantifi­
ca las diferencias entre las proporciones de aciertos
de los grupos de referencia y focal para cada una de
las categorías j en las que se divide el test, ofrecien­
do un indicador global de esas diferencias para el
ítem.
El índice de estandarización viene dado por la
siguiente fórmula:
∑ j nFj (PFj − PRj )
IE =
[4.19]
∑ j nFj
nFj:Número de personas del grupo focal para
cada una de las categorías j (véase la tabla
4.7).
PFj:Proporción de personas del grupo focal que
aciertan el ítem para la categoría j. En tér­
minos de la tabla 4.7:
PFj =
Cj
nFj
PRj:Proporción de personas del grupo de refe­
rencia que aciertan el ítem para la categoría
j. En términos de la tabla 4.7:
—Entre −0,05 y 0,05 no existiría funciona­
miento diferencial del ítem.
—Entre −0,05 y −0,10, o 0,05 y 0,10, conviene
inspeccionar el ítem.
—Valores fuera del intervalo (−0,10; 0,10) exi­
gen examinar el ítem concienzudamente,
pues el funcionamiento diferencial es claro.
Veamos la aplicación de la fórmula 4.19 a los
datos del ejemplo utilizado para ilustrar los cálcu­
los del método de Mantel-Haenszel. Para ello se
calcula el valor del numerador para cada una de las
cinco tablas correspondientes a los cinco intervalos
establecidos entonces.
nF 1 (PF 1 − PR1 ) = 10
110 − 10 2 = −5
0
nF 2 (PF 2 − PR2 ) = 20
donde:
neficia al grupo focal, y los negativos, al de referen­
cia. Dorans y Holland (1993) proponen una serie de
valores que resultan muy útiles para la interpreta­
ción práctica de los resultados obtenidos al aplicar
el IE:
PRj =
Aj
nRj
El índice de estandarización (IE) varía entre −1
y +1. Los valores positivos indican que el ítem be­
nF 3 (PF 3 − PR3 ) = 50
5
120 − 30 2 = −8,33
5
20
150 − 40 2 = −27,50
10
nF 4 (PF 4 − PR 4 ) = 100
nF 5 (PF 5 − PR5 ) = 20
30
1100 − 1052 = −10,95
70
85
120 − 152 = 1,67
15
10
A partir de estos datos ya se puede aplicar la
fórmula 4.19:
IE =
[(−5) + (−8,33) + (−27,5) + (−10,95) + 1,67]
=
(10 + 20 + 50 + 100 + 20)
= −0,25
Dado que el valor obtenido (−0,25) excede con
mucho −0,10, el ítem presenta un claro funciona­
© Ediciones Pirámide
Análisis de los ítems
miento diferencial, favoreciendo al grupo de refe­
rencia, puesto que el signo es negativo. Este resul­
tado coincide con los encontrados para los mismos
datos mediante los métodos de Mantel-Haenszel y
c 2 de los aciertos.
Dorans y Holland (1993) ofrecen una transfor­
mación del IE a la métrica delta, así como un error
típico de medida que permite someter a prueba la
significación estadística de las diferencias encontra­
das entre los grupos de referencia y focal. Como se
puede obsevar en la fórmula 4.19, el índice de es­
tandarización utiliza el número de personas del gru­
po focal en cada categoría (nFj) para ponderar las
diferencias entre las proporciones de aciertos de
ambos grupos (PFj − PRj). Esta ponderación es muy
razonable, puesto que permite dar más peso a aque­
llas categorías que cuentan con mayor número de
personas del grupo focal. No obstante, Dorans y
Holland (1993) proponen otras posibles pondera­
ciones, en función de los intereses específicos de los
investigadores.
7.3.6.
Comentarios finales
Hay que señalar que sigue siendo muy impor­
tante para los usuarios la representación gráfica de
los datos (figuras 4.3 y 4.4), pues aunque los diver­
sos métodos ayuden a tomar decisiones con funda­
mento estadístico, la visualización de las proporcio­
nes de aciertos de los grupos de referencia y focal
para cada una de las categorías permite detectar el
tipo de FDI existente y tener una primera aproxima­
ción de su cuantía. Los gráficos, si además se repre­
sentan en abscisas las distribuciones de las puntua­
ciones del test para los dos grupos comparados,
permiten distinguir entre dos conceptos bien distin­
tos y a menudo confundidos: el funcionamiento di­
ferencial del ítem y las posibles diferencias reales de
los dos grupos en el ítem, lo que se denomina «el
impacto». Nótese que puede haber claras diferencias
en el número de aciertos de cada uno de los grupos
en el ítem (impacto), y sin embargo no existe FDI,
como se ilustra, por ejemplo, en la figura 4.6. Ob­
sérvese cómo la media de aciertos en el ítem para el
grupo de mujeres (0,80) es mucho más elevada que
la de los hombres (0,60), por lo que existe impacto.
Sin embargo, las proporciones de aciertos por cate­
gorías coinciden, los puntos y las aspas se superpo­
© Ediciones Pirámide
/ 173
nen para todas las categorías; por tanto, no hay
FDI. Globalmente el ítem resulta más difícil para
los hombres, pero no se puede decir que funcione
diferencialmente para los hombres y las mujeres; en
suma, hay impacto pero no FDI. La distinción es
clave, pues entre dos grupos nada impide que haya
diferencias (impacto), en ningún lugar está escrito
que todos los grupos deban obtener las mismas pun­
tuaciones en todas las variables, pero lo que hay que
evitar a toda costa es un funcionamiento diferencial
de los ítems para los grupos. La confusión de estos
dos conceptos es el origen de muchas de las neceda­
des que sobre el sesgo de los test se han dicho. Un
caso ya clásico es el acaecido al Educational Testing
Service (ETS), una de las empresas editoras y apli­
cadoras de test más potentes de los Estados Unidos,
que fue demandada en los tribunales por una com­
pañía de seguros (Golden Rule Insurance Company)
alegando esta que algunos de los test utilizados por
el ETS estaban sesgados contra los negros. Tras
ocho años peleando en los tribunales, en 1984 el pre­
sidente del ETS, intentando quitarse el engorroso
asunto de encima, muy costoso en tiempo y dinero,
llegó a un acuerdo con la compañía de seguros para
descartar en el futuro todos aquellos ítems en los
que la proporción de aciertos de los blancos excedie­
sen en 0,15 a los de los negros. El presidente sabía
de sobra que esto era injustificado, pues los ítems
han de descartarse cuando muestran FDI, no cuan­
do hay impacto, pero seguramente consideró que
sería una forma práctica de zanjar la cuestión. Todo
lo contrario, la polvareda levantada por parte de los
expertos fue enorme, y el hombre tuvo que dar mar­
cha atrás, admitiendo que había cometido un error.
El lector interesado en los intríngulis de este asunto
puede consultar el número especial dedicado al tema
por la revista Educational Measurement: Issues and
Practice (1987), donde se analiza desde diferentes
perspectivas.
Todas las técnicas expuestas previamente suelen
catalogarse como internas, en alusión a que el crite­
rio de contraste para analizar los ítems es interno
al test; recuérdese que para establecer las distintas
categorías se utilizaba la puntuación global de las
personas en el test o, en el caso de proceder en dos
etapas, la puntuación en el conjunto de ítems que
no presentaban FDI en un primer análisis. Por el
contrario, se habla de FDI externo cuando el crite­
rio de contraste es externo, por ejemplo el criterio
174 /
Introducción a la Psicometría
Proporción de aciertos
1,0
0,80
0,60
0,50
Puntuaciones
en el test
Hombres
Mujeres
Figura 4.6.—Impacto y funcionamiento diferencial de un ítem para un grupo de hombres y otro de mujeres.
que se pretende predecir con el test. La estrategia
más habitual en este caso es calcular la recta de re­
gresión del criterio externo sobre el test para la
muestra total y para cada uno de los grupos (focal
y referencia) y compararlas. Si no existiese FDI, las
tres rectas deberían coincidir. No se han expuesto
las técnicas externas, puesto que en la actualidad
son poco utilizadas.
Señalar finalmente que las técnicas expuestas
son todas ellas de carácter condicional, excepto el
método delta, que sería incondicional. En las técni­
cas condicionales los aciertos en el ítem estudiado
se contrastan condicionalmente para cada una de
las categorías formadas, mientras que en las incon­
dicionales, como el método delta, no se establecen
categorías, se utilizan las puntuaciones globales de
los grupos focal y de referencia. Esta incondiciona­
lidad es precisamente lo que hace delicado el uso
del método delta, así como otras técnicas incondi­
cionales, pues pueden llevar a confundir funciona­
miento diferencial con impacto.
El funcionamiento diferencial de los ítems es
uno de los campos en los que más se ha desarrolla­
do la teoría de los test estos últimos años, habién­
dose propuesto otros muchos métodos que no ex­
ponemos aquí, dado el carácter introductorio de
este libro. Cabría destacar el SIBTEST (Shealy y
Stout, 1993), las técnicas para analizar las tablas de
contingencia (modelos loglineales, modelos logit,
regresión logística) o toda la tecnología basada en
la teoría de respuesta a los ítems. El lector interesa­
do puede consultar el libro de Camilli y Shepard
(1994), o en castellano el trabajo de Fidalgo (1996),
y para una buena revisión, Gómez, Hidalgo y Gui­
lera (2010). En el epígrafe 10 del capítulo 7 se pre­
senta la estimación del FDI en el marco de la TRI.
EJERCICIOS
1. En la tabla adjunta aparecen las puntuacio­
nes obtenidas por una muestra de cinco sujetos en
un test de cuatro ítems, así como sus puntuaciones
en el criterio.
© Ediciones Pirámide
Análisis de los ítems
ítems
Sujetos
A
B
C
D
E
Criterio
1
2
3
4
1
0
1
1
0
1
1
1
0
0
0
1
1
0
0
1
0
0
0
0
5
2
4
1
1
1.Calcule el índice de dificultad de todos los
ítems.
2.Calcule el índice de discriminación del ítem 4.
3.Calcule el índice de validez del ítem 3.
4.Calcule el coeficiente de validez del test.
2. Una muestra de seis alumnos universitarios
obtuvo las siguientes puntuaciones en un test de
coordinación visomotora:
Sujetos
Test
Criterio
A
(B)
C
(D)
E
(F)
2
4
4
5
6
9
2
0
3
3
4
6
Únicamente los tres que aparecen entre parén­
tesis acertaron el último ítem del test, aunque todos
lo intentaron resolver.
1.Calcule el índice de dificultad del último
ítem.
2.Calcule el índice de discriminación del últi­
mo ítem.
3.Calcule el índice de validez del último ítem.
4.Calcule el número de discriminaciones que
realiza entre los sujetos el último ítem.
5.Calcule el coeficiente de validez del test.
3. Un test consta de 150 ítems de tres alterna­
tivas, una de las cuales es correcta.
1.Un sujeto que desconozca por completo el
contenido del test, pero aun así responda a
todos los ítems, ¿cuántos es de esperar que
acierte?
© Ediciones Pirámide
/ 175
2.¿Qué puntuación directa se le asignará una
vez corregidos los efectos del azar?
4. A una muestra de 500 estudiantes universi­
tarios se le aplicó un test de 260 ítems. Los 80 prime­
ros solo tenían dos alternativas, una de ellas correc­
ta. Los 120 siguientes constaban de cinco alternativas,
una correcta, y los 60 restantes tenían cuatro alter­
nativas, también con solo una correcta.
1.Uno de los sujetos responde a todos los
ítems, de los 80 primeros acierta 70; de los
120 siguientes falla 20, y de los restantes
acierta tantos como falla.
¿Qué puntuación directa se le asignará
una vez corregidos los efectos del azar?
2.Si un sujeto no sabe nada y contesta al azar,
¿cuántos ítems cabe esperar que acierte?
¿Qué puntuación directa se le asignará tras
la corrección de los efectos del azar?
5. En la matriz adjunta aparecen las puntua­
ciones obtenidas por cinco sujetos en un test de cua­
tro ítems, así como los índices de validez de los ítems.
Ítems
Sujetos
1
A
B
C
D
E
Índices de validez
2
3
4
1
0
1
1
0
1
1
1
0
0
0
1
1
0
0
1
0
0
0
0
0,1
0,2
0,6
0,25
1.Calcular los índices de discriminación de
los ítems.
2.Calcular el coeficiente de validez del test.
6. En la tabla adjunta aparecen las respuestas
dadas por 200 sujetos a las cinco alternativas (A, B,
C, D, E) del ítem 19 de un test de 40, y de las que
solo la C es correcta. Se han separado por un lado
las respuestas dadas por los sujetos que obtuvieron
puntuaciones superiores a la mediana del test, y por
otro aquellos sujetos con puntuaciones inferiores a
la mediana. También se exponen en la parte inferior
de la tabla las medias obtenidas en el test por los
176 /
Introducción a la Psicometría
sujetos que respondieron a cada alternativa. La des­
viación típica de las puntuaciones de los sujetos en
el test fue 10.
50 % superior
50 % inferior
Media test
A
B
C
D
E
5
40
15
15
15
20
60
20
24
18
15
18
2
10
14
1.Calcular el índice de dificultad del ítem.
2.Analizar las respuestas de los sujetos a las
alternativas incorrectas del ítem y señalar
aquellas que no contribuyen a discriminar
entre los sujetos competentes y los incom­
petentes en el test. Razonar adecuada­
mente.
3.Calcular el índice de discriminación del
ítem.
4.Calcular la covarianza entre el ítem y el test.
SOLUCIONES
1.1.
2.
3.
4.
2.1.
2.
3.
4.
5.
3.1.
0,6; 0,6; 0,4; 0,2
0,19
0,20
0,907
0,5
0,25
0,00
9
0,80
50
2.
4.1.
2.
5.1.
2.
6.1.
2.
3.
4.
0
175
79; 0
0,16; 0,77; 0,08; 0,19
0,95
0,25
B, D
0,34
1,66
© Ediciones Pirámide
Transformación de las puntuaciones
Una vez que se han obtenido las puntuaciones de
las personas en un test, para facilitar su interpretación y comprensión por parte de los interlocutores y
clientes, las puntuaciones directas suelen transformarse en otros tipos de puntuaciones. Como ahora
se verá, varias transformaciones son posibles. El objetivo fundamental de las transformaciones es expresar las puntuaciones directas de tal modo que hagan
alusión a la ubicación de la persona en el grupo, dando así la idea comparativa de su puntuación en relación con sus semejantes. Por ejemplo, si tras realizar
un test se nos dice que hemos obtenido en él 80 puntos, no tenemos ni idea de lo que eso representa respecto a nuestros colegas; ¿estamos por encima de la
media?, ¿por debajo?, etc. Pues bien, ese es el tipo de
información que pretenden dar las puntuaciones directas una vez transformadas: la ubicación relativa
en el grupo, constituyendo un indicador del escalamiento de las personas. Nótese que las puntuaciones
transformadas no añaden ninguna información a la
contenida en las directas, salvo las ventajas prácticas
que pueda tener esta forma de ofrecer la información. Ni que decir tiene que las puntuaciones transformadas no alteran el escalamiento hecho por las
directas, sencillamente lo expresan en otra escala.
Para los análisis estadísticos y psicométricos deben
utilizarse siempre las puntuaciones directas obtenidas y no las transformadas.
1.
PERCENTILES
La transformación a escala centil consiste en
asignar a cada puntuación directa el porcentaje de
personas que obtienen puntuaciones inferiores a ella.
© Ediciones Pirámide
5
Dan, por tanto, una idea rápida e intuitiva de la posición relativa de la persona en el grupo. Así, por
ejemplo, una persona con un percentil de 80 indicaría
que su puntuación en el test es superior al 80 % de
sus compañeros. Esta transformación es, sin duda, la
más utilizada, debido sobre todo a su simplicidad y
universalidad, lo que facilita la interacción con personal no técnico. Los percentiles constituyen una escala ordinal, permiten ordenar a las personas pero no
garantizan la igualdad de intervalos, o, en otras palabras, diferencias iguales entre percentiles no implican diferencias iguales entre puntuaciones directas,
constituyen una transformación no lineal de estas.
La realización concreta de la citada transformación para unos datos empíricos es muy sencilla,
amén de que todos los programas de ordenador convencionales la llevan a cabo como parte de la descripción de los datos. Véase el ejemplo de la tabla 5.1,
TABLA 5.1
Puntuaciones
en el test
Frecuencias
absolutas
Frecuencias
acumuladas
(PM)
Percentiles
(porcentaje)
10
9
8
7
6
5
4
3
2
1
0
2
4
12
10
46
50
40
16
10
6
4
199
196
188
177
149
101
56
28
15
7
2
99,50
98,00
94,00
88,50
74,50
50,50
28,00
14,00
7,50
3,50
1,00
178 /
Introducción a la Psicometría
en el que se pasó un test de 10 ítems a una muestra
de 200 personas, obteniéndose la distribución de
frecuencias que se detalla.
Para obtener los percentiles se obtienen primero
las frecuencias acumuladas hasta el punto medio
(columna 3) y luego se convierten en porcentajes
mediante una sencilla regla de tres, con lo cual a
cada puntuación directa (columna 1) le corresponde un percentil (columna 4).
No está justificado agrupar las puntuaciones directas en intervalos, como era costumbre en otras
épocas con el fin de simplificar los entonces tediosos cálculos; si ello se hiciera, se perdería información, pues se asignaría la misma puntuación a todas
las personas que caen en el mismo intervalo, cuando de hecho no la han obtenido necesariamente.
Nótese también que la transformación de las puntuaciones directas en centiles no altera la forma de
la distribución de las puntuaciones; compruébelo el
lector representando gráficamente los datos de la
tabla.
2.
TABLA 5.2
Puntuaciones
en el test (X )
Frecuencias
absolutas
Puntuaciones
típicas (Zx)
10
9
8
7
6
5
4
3
2
1
0
2
4
12
10
46
50
40
16
10
6
4
2,7
2,2
1,7
1,1
0,6
0,1
–0,5
–1,0
–1,6
–2,1
–2,6
típica indica el número de desviaciones típicas que
una persona se aparta de la medía. Para un estudio
detallado de las propiedades y comparabilidad de
las escalas típicas, véase Amón (1984), limitándonos a señalar aquí que su media es cero y su desviación típica l.
PUNTUACIONES TÍPICAS
Las puntuaciones directas pueden transformarse
en otras denominadas «típicas» (Zx) mediante una
transformación lineal bien conocida, consistente en
restarles la media y dividir por la desviación típica:
Zx =
X –X
Sx
donde:
X: Puntuación directa.
—
X: Media de la muestra.
Sx: Desviación típica.
Por tanto, la expresión anterior convierte automáticamente cualquier puntuación directa en típica. Aplicada a los datos de la tabla 5.1, donde la
media es 4,91 y la desviación típica 1,866, se obtiene la escala típica de la tabla 5.2.
A la vista de la puntuación típica de una persona se sabe de inmediato si está por debajo (signo –)
o por encima (signo +) de la media, así como el
grado en que se separa de ella, pues la puntuación
2.1.
Típicas derivadas
El mayor inconveniente de tipo práctico para el
uso de las típicas radica en los signos negativos y
números decimales. Para evitarlo, las puntuaciones
típicas se transforman a su vez en otras escalas que
evitan estos dos inconvenientes, denominadas «típicas derivadas» (D).
Las típicas derivadas se obtienen a partir de las
típicas primitivas mediante la transformación:
—
D = XD + SD(Zx)
donde:
—
XD: Media para la nueva escala derivada.
SD:Desviación típica elegida para la nueva escala.
Zx: Puntuación típica primitiva.
La media y la desviación típica elegidas son arbitrarias y solo obedecen a exigencias prácticas. Son
muy populares, por ejemplo, las llamadas puntuaciones T de McCall, que ubican la media en 50 y la
© Ediciones Pirámide
Transformación de las puntuaciones
/ 179
desviación típica en 10, denominándose así, al parecer, en honor a Terman y Thorndike. No se prive
el lector de instituir las suyas propias. Muchos test
al uso utilizan este tipo de puntuaciones derivadas;
por ejemplo, el WAIS ubica la media en 100 y la
desviación típica en 15, el Standford-Binet en 100 y
16, respectivamente, y el MMPI en 50 y 10, siguiendo a McCall.
En la tabla 5.3 se han transformado las puntuaciones típicas anteriores en una escala derivada de
media l00 y desviación típica 20.
rían falseando los datos, al asumir una distribución
que de hecho no se da empíricamente. Si la distribución se ajusta estrictamente a la normal, estas
puntuaciones típicas normalizadas y las anteriores
calculadas mediante la fórmula propuesta deberían
resultar iguales. Dado que los datos empíricos raramente se distribuyen exactamente según la curva
normal, esta transformación solo quedaría legitimada si el ajuste resulta estadísticamente aceptable.
Véanse en la tabla 5.4 las típicas normalizadas correspondientes al ejemplo que venimos utilizando.
TABLA 5.3
TABLA 5.4
Puntuaciones
en el test (X )
Frecuencias
absolutas
Puntuaciones
típicas (Zx)
Típicas
derivadas
Puntuaciones
en el test (X )
Frecuencias
absolutas
Puntuaciones
típicas (Zx)
Típicas
normalizadas
10
9
8
7
6
5
4
3
2
1
0
2
4
12
10
46
50
40
16
10
6
4
2,7
2,2
1,7
1,1
0,6
0,1
–0,5
–1,0
–1,6
–2,1
–2,6
154
144
134
122
112
102
90
80
68
58
48
10
9
8
7
6
5
4
3
2
1
0
2
4
12
10
46
50
40
16
10
6
4
2,7
2,2
1,7
1,1
0,6
0,1
–0,5
–1,0
–1,6
–2,1
–2,6
2,57
2,05
1,56
1,20
0,66
0,01
–0,58
–1,08
–1,44
–1,81
–2,33
2.2.
Típicas normalizadas
Las puntuaciones típicas normalizadas se obtienen a partir de los percentiles, buscando la puntuación típica correspondiente bajo la curva normal.
Previamente a realizar esta transformación hay que
comprobar estadísticamente, mediante c2 u otra
prueba, que las puntuaciones empíricas se distribuyen según la curva normal; de lo contrario se esta-
1
–∞
2
–1,75
3
–1,25
4
Eneatipos
5
6
–0,75 –0,25 0,25
0,75
Típicas normalizadas
Es una escala poco recomendable, pues se pierde mucha información al incluir en el mismo eneatipo personas con distinta puntuación. Su única
ventaja es la facilidad para ser entendida por los no
© Ediciones Pirámide
A partir de las típicas normalizadas se pueden
obtener todo tipo de puntuaciones derivadas, análogamente a como ocurría con las típicas primitivas,
denominándose ahora, por razones obvias, «derivadas normalizadas». Una de estas escalas derivadas
son los afamados estaninos o eneatipos. Su nombre
procede de standard nine, pues se divide el rango total de las puntuaciones en nueve intervalos y se asigna a cada uno un número del 1 al 9. Los límites de
tales intervalos se fijan según el gráfico:
7
8
1,25
9
1,75
∞
expertos. Nótese que en realidad es una escala derivada de media 5 y desviación típica 2:
Eneatipos = 5 + 2(Zn)
180 /
Introducción a la Psicometría
siempre y cuando se tenga en cuenta que el valor
máximo es 9, luego a todo valor superior se le asigna el 9, y a todo valor inferior a 1 se le asigna el 1,
redondeando los valores intermedios para obtener
el eneatipo correspondiente.
Por ejemplo, averiguar el eneatipo correspondiente a las siguientes típicas normalizadas:
Z1 = 0,7,
Z2 = 2,5
y
Z3 = –3,5
Una ojeada al gráfico pone de manifiesto que los
eneatipos buscados son, respectivamente, 6, 9 y 1.
Aplicando la fórmula:
E1 = 5 + 2(0,7) = 6,4
E2 = 5 + 2(2,5) = 10
E3 = 5 + 2(–3,5) = –2
3.
(Eneatipo 6)
(Eneatipo 9)
(Eneatipo 1)
EDAD
Otra posible transformación de las puntuaciones directas es en edades. En líneas generales, para
llevar a cabo la transformación se administra previamente el test a personas de diferentes edades,
calculando la media del test para cada edad. La regla de transformación será asignar a cada persona
la edad que le corresponda por su puntuación. Por
ejemplo, si los niños de 7 años obtienen en el test
una media de 20 puntos, cuando un niño, independientemente de su edad cronológica, obtenga 20
puntos en ese test se le asignará una edad de 7 años.
Obviamente las escalas suelen ser más detalladas e
ir de seis meses en seis meses, o incluso menos, de
mes en mes, por ejemplo.
Este tipo de escalamiento por edades se presta
a numerosas confusiones e interpretaciones erróneas, y se utiliza cada vez menos. Tendría más sentido para escalar atributos que crecen o decrecen
sistemáticamente con la edad, pero en la mayoría de
las variables de interés psicológico no es el caso.
Nótese que originalmente el cociente intelectual
(CI) se basaba en este tipo de escala:
CI =
EM
¥ 100
EC
al dividir la edad asignada a la persona según su
puntuación en el test (edad mental) entre la edad
cronológica, multiplicando por 100 para evitar los
decimales.
El inconveniente principal de este tipo de escalas de edades radica en que si la función psicológica
medida no aumenta o disminuye linealmente con la
edad, como suele ocurrir, las diferencias de edad
mental asignadas no tienen el mismo significado
para todas las edades cronológicas. A ello se añade
además el llamado «efecto de techo», consistente en
que a partir de cierta edad (techo) la función psicológica medida no aumenta significativamente, y por
tanto carece de sentido utilizar la edad como unidad de medida. Por si fuera poco, se produce, además, otro efecto colateral de interpretación poco
deseable, tendiendo a equipararse en términos generales a los sujetos a los que se asigna la misma
edad en determinada variable psicológica, cuando
el funcionamiento cognitivo global puede ser muy
diferente.
Se han citado aquí algunos de los tipos de
transformaciones más habituales, pero otras muchas, seguramente infinitas, son posibles; el uso de
una u otra dependerá de las exigencias prácticas de
cada situación.
Señalar, finalmente, que no es infrecuente denominar «baremo» al conjunto formado por las puntuaciones directas en el test y las correspondientes
transformadas por alguno de los métodos descritos,
u otros. Asimismo, suele denominarse «grupo normativo» a la muestra de personas utilizada para establecer las transformaciones que se pretende sean
válidas para todas las personas de la población de
donde se extrajo la muestra. Nótese que si por alguna razón la muestra está incorrectamente elegida,
por ejemplo, no es aleatoria o contiene un número
insuficiente de personas, los juicios que se hagan
basándose en las normas (transformaciones) elaboradas a partir de ella serán incorrectos. Un buen
ejemplo de estas deficiencias puede observarse
echando una ojeada a los baremos que aparecen en
los manuales de algunos de los test editados en España, en los que se utilizan muestras con un número de personas insuficiente, o no se actualizan periódicamente, habiéndose quedado obsoletos y no
representando la situación actual de la población.
Un análisis detallado y clásico sobre la transformación de las puntuaciones y la casuística posible en la elección y descripción de grupos normativos puede consultarse en Angoff (1984).
© Ediciones Pirámide
Transformación de las puntuaciones
/ 181
EJERCICIOS
1. En la tabla adjunta aparecen las puntuaciones obtenidas por cinco personas en un test de cuatro ítems.
Ítems
Personas
A
B
C
D
E
1
2
3
4
1
1
1
1
0
0
1
1
1
0
0
0
1
1
0
0
0
0
1
0
Expresar la puntuación directa del sujeto C en:
1. Puntuaciones típicas.
2.
Puntuaciones típicas derivadas de media
100 y desviación típica 10.
3. Percentiles.
4. Típicas normalizadas.
5. Eneatipos.
6.
CI de desviación (media 100 y desviación
típica 15).
2. Aplicado un test de inteligencia general a
una muestra de 1.000 sujetos, las puntuaciones se
distribuyeron según la curva normal con media 20
y desviación típica 5.
1.Uno de los sujetos obtuvo en el test una
puntuación directa de 15 puntos; exprese
dicha puntuación en escala:
— Diferencial.
— Típica.
— Eneatipos.
— Percentiles.
— Derivada de media 88 y desviación típica 6.
2.Otro de los sujetos «solo» fue superado por
900 de sus compañeros; expresar su puntuación en todas las escalas anteriores, incluida
la de puntuaciones directas.
© Ediciones Pirámide
3. Jensen y Munro (1979) encontraron que
para una muestra de 39 mujeres el tiempo de reacción medio a estímulos visuales era de 330 milisegundos. Asumiendo que los tiempos de reacción se
distribuyen según la curva normal con una desviación típica de 20.
1.¿Qué puntuación directa, diferencial, típica,
eneatipo, percentil y derivada con media
100 y varianza 225 le correspondería a una
de las mujeres cuyo tiempo de reacción fue
de 370 milisegundos?
4. A una oferta de empleo se presentaron
1.000 aspirantes a los que se les aplicó un test de
selección. Las puntuaciones en este test se distribuyeron según la curva normal con una media de 40 y
una desviación típica de 10. Solo fueron admitidos
para continuar el proceso de selección aquellos 100
que obtuvieron las mejores puntuaciones en el test.
En relación con el sujeto que obtuvo la puntuación más baja de entre los admitidos, calcular:
1. Su percentil.
2. Su puntuación típica.
3. Su puntuación directa.
4. Su puntuación diferencial.
5. Su eneatipo.
6.
Su puntuación derivada en una escala de
media 60 y desviación típica 20.
7.
Si del enunciado del problema se suprimiese
«las puntuaciones en este test se distribuyeron según la curva normal», ¿cuáles de los
apartados del problema podría usted contestar? Razone la respuesta.
5. En la tabla adjunta aparecen las puntuaciones obtenidas por 400 sujetos en un test de 50 ítems.
Puntuaciones
en el test
Frecuencias
absolutas
50
45
40
35
4
8
24
20
182 /
Introducción a la Psicometría
Puntuaciones
en el test
Frecuencias
absolutas
30
25
20
15
10
5
0
92
100
80
32
20
12
8
Elabore los baremos del test en:
1. Percentiles.
2. Puntuaciones típicas.
3.
Puntuaciones derivadas de media 100 y desviación típica 20.
4. Típicas normalizadas.
SOLUCIONES
1.1.
2.
3.
4.
5.
6.
2.1.
2.
3.1.
4.1.
2.
3.
4.
5.
6.
7.
5.
0,71
107
70
0,52
6
108
–5, –1, 3, 16, 82
13,6, –6,4, –1,28, 2, 10, 80
370, 40, 2, 9, 98, 130
90
1,28
52,8
12,8
8
86
4.1
Percentiles
Típicas
Derivadas
Normalizadas
99,50
98,00
94,00
88,50
74,50
50,50
28,00
14,00
7,50
3,50
1,00
2,7
2,2
1,7
1,1
0,6
0,1
–0,5
–1,0
–1,6
–2,1
–2,6
154
144
134
122
112
102
90
80
68
58
48
2,57
2,05
1,56
1,20
0,66
0,01
–0,58
–1,08
–1,44
–1,81
–2,33
© Ediciones Pirámide
Equiparación de las puntuaciones
La equivalencia o equiparación de puntuaciones
(equating) de dos o más test se refiere al establecimiento de una correspondencia entre las puntuaciones de uno y otro, de tal modo que sea indiferente
cuál se aplique a las personas, pues sus puntuaciones
en uno serán expresables en términos del otro, si
efectivamente la mentada equiparación se ha hecho
adecuadamente. En palabras de Angoff (1982a), la
equiparación de las puntuaciones es el proceso de
desarrollar una conversión del sistema de unidades
de un test al sistema de unidades de otro, de tal
modo que las puntuaciones derivadas de ambos test
después de la conversión sean equivalentes o intercambiables.
El problema de la equiparación de las puntuaciones nunca fue un tema al que la psicometría clásica prestara gran atención, salvo, como señala
Brennan (1987), aquellos psicómetras con responsabilidades directas en las grandes compañías constructoras de test. Efectivamente, Gulliksen (1950) lo
trata de pasada, Lord y Novick (1968) apenas lo citan y los «Standards for Educational and Psychological Testing» de 1974 ni lo mentan. El tratamiento
pionero y clásico es el de Angoff incluido en el libro
editado por Thorndike (1971), capítulo que en 1984
editará en forma de libro el Educational Testing Service (ETS). En 1982, también bajo los auspicios del
ETS, se publica un libro monográfico sobre el tema
(Holland y Rubin, 1982) al que contribuyen numerosos especialistas y en el que se incluye una bibliografía exhaustiva de lo hecho hasta entonces. Por los
años ochenta los trabajos son abundantes: Lord
(1980) le dedica un capítulo, y los «Standards for
Educational and Psychological Testing» (1985), varios «standards». En 1987 la revista Applied Psycho© Ediciones Pirámide
6
logical Measurement edita un número especial al respecto, y, por su parte, «Educational Measurement»
incluye en su sección instructiva «Ítems» una exposición muy asequible y divulgativa de Kolen (1988)
sobre metodología clásica para la equiparación. Tratamientos más recientes y detallados pueden verse
en Von Davier (2011) o Kolen y Brennan (2014), y
en español, en Navas (1996).
Las causas de esta eclosión hay que buscarlas, en
primer lugar, en el uso masivo de los test en Estados
Unidos, con repercusiones tan relevantes como
quién puede acceder (y dónde) a la enseñanza universitaria, empleos, promociones, certificaciones, etc.
Ello obliga a los constructores a elaborar varias formas del mismo test sucesivamente, con el consiguiente problema implicado de comparar y equiparar las puntuaciones obtenidas en ellos, so pena de
graves injusticias comparativas. La continua crítica
y discusión social de este sistema generalizado de
test ha obligado a los constructores a justificar y explicar públicamente sus métodos de equiparación.
En segundo lugar, los nuevos modelos de TRI que
dominan la psicometría actual permiten un tratamiento más adecuado del problema de la teoría clásica, véase el epígrafe 9 del capítulo 7.
Para hablar propiamente de establecer una
equiparación entre las puntuaciones de dos test,
ambos han de medir la misma variable y con la misma fiabilidad. Si se trata de variables distintas, el
concepto de equivalencia carece de sentido, aunque
nada impediría intentar predecir una a partir de la
otra, eso es otra cuestión. Respecto a la misma fiabilidad, de no darse se seguiría la inaceptable posibilidad de equiparar un test con otro menos fiable
y asumir que las puntuaciones en ambos son inter-
184 /
Introducción a la Psicometría
cambiables. Una exposición detallada de las condiciones teóricas exigibles para establecer equiparaciones rigurosas puede consultarse en Lord (1980),
quien demuestra, ironías del destino, que una equiparación estricta solo es posible cuando es innecesaria. No obstante, en el trato con la sucia realidad
los métodos que se comentan brevemente a continuación no son del todo desatinados.
Suele hablarse de equiparación horizontal cuando los test a equiparar se intentan construir a priori con igual dificultad, caso, por ejemplo, de las formas alternativas del mismo test. Si la dificultad de
los test a equiparar es claramente distinta, se habla
de equiparación vertical. Caso típico de lo cual es
cuando se desea establecer comparaciones entre
competencias que aumentan con la edad, utilizando
test de diferente nivel (dificultad) a cada edad. En
realidad es un problema típico de escalamiento y se
presenta en la práctica asociado con competencias
escolares en relación con el curso o edad de los estudiantes.
1. DISEÑOS
Tres han sido los diseños más frecuentemente
utilizados desde la óptica clásica:
— Un solo grupo.
— Dos grupos equivalentes.
— Test de anclaje.
Un solo grupo
Supóngase que se dispone de dos test cuyas puntuaciones se desea equiparar. En el diseño de un solo
grupo se elegiría una muestra aleatoria de personas
a las que se aplicarían ambos test y posteriormente,
por alguno de los métodos que luego se citan, se
procedería a la equiparación. Para mitigar los efectos del orden de aplicación de los test suelen aplicarse contrabalanceados, es decir, se divide la muestra
en dos partes aleatorias y en cada una de ellas se
aplican los dos test a equiparar en distinto orden.
Dos grupos equivalentes
En este diseño se eligen dos muestras aleatorias de la población a la que se destinan los dos
test y se aplica uno de los test a cada una de ellas,
procediéndose luego a la equiparación, bajo el supuesto de que el azar generó muestras de sujetos
equivalentes.
Test de anclaje
Ha sido (y es) el diseño más utilizado. Se aplican los dos test a equiparar a dos muestras (uno a
cada una), como en el caso anterior, pero además a
ambas se le aplica cierto número de ítems comunes
de anclaje que permitirán establecer las equivalencias entre los test a equiparar. Nótese que aquí las
dos muestras no tienen por qué ser necesariamente
equivalentes.
2. MÉTODOS
Los tres métodos más utilizados por la psicometría clásica para establecer las equiparaciones
son:
— Media.
— Transformación lineal.
— Percentiles.
Media
Es el método más elemental de equiparar, que
consiste en hacer corresponder las medias de los
test a equiparar. Por ejemplo, si la media de un test
X es 40 y la de otro Y es 45, la equiparación se establecería sumando 5 puntos a las puntuaciones de
los sujetos en el test X, o, lo que es lo mismo, restando 5 a las del test Y. Es un método simplísimo
pero con fuertes asunciones acerca de la distribuciones de las puntuaciones para que la equiparación
tenga algún sentido, pero prácticamente no se usa
en la actualidad.
Transformación lineal
Consiste en equiparar las puntuaciones típicas.
Se equiparan aquellas puntuaciones directas con típicas iguales. Para dos test X e Y:
Zx = Zy
© Ediciones Pirámide
Equiparación de las puntuaciones
explícitamente:
X – X Y –Y
=
Sx
Sy
despejando Y:
Y =
Sy
Sx
(X – X ) + Y
[6.1]
Es decir, las puntuaciones del test Y equivalentes a las del test X vienen dadas por una transformación lineal de estas. Por ejemplo, si una muestra
aleatoria de sujetos obtiene en el test X de compresión verbal una media de 40 y una desviación típica de 4 y en otro test Y, también de comprensión
verbal, una segunda muestra aleatoria (diseño de
grupos equivalentes), obtiene una media de 60 y
una desviación típica de 6, ¿qué puntuación en el
test Y sería equivalente a una puntuación de 48 en
el test X?
48 – 40 Y – 60
=
4
6
despejando Y:
Y =
6
(48 – 40) + 60 = 72
4
Obtener 48 puntos en X es equiparable a obtener 72 en Y. La aplicación de este método de transformación lineal al diseño de grupos equivalentes se
hace tal como se acaba de exponer; su implementación con algunos matices para los otros dos diseños
se comenta a continuación.
Según Angoff (1984), el error típico de medida
para las puntuaciones así equiparadas viene dado
por:
Se =
2S y2
Nt
(Zx2 + 2)
[6.2]
donde Nt es el número total de sujetos (sumados los
—
de ambas muestras) y Zx = (X – X )/Sx.
© Ediciones Pirámide
/ 185
Nótese cómo este error típico aumenta con el
valor de Zx, esto es, a medida que las puntuaciones
equiparadas X se alejan de la media, el error típico
de la equiparación es mayor.
En el diseño de un solo grupo, como ya se ha
señalado, los test suelen aplicarse en distinto orden a
cada una de las submuestras en las que se divide la
muestra, para contrabalancear los posibles efectos del
orden de aplicación. Ello complejiza ligeramente el
cálculo de los datos necesarios en el método de transformación lineal. En concreto, los valores globales de
— —
la muestra: X, Y, Sx, Sy han de obtenerse a partir de
los valores de las submuestras, mediante las técnicas
estadísticas al uso (véase, por ejemplo, Amón, 1984),
dado que cada test se aplicó a cada submuestra, en
distinto orden. Una vez hecho esto, se procede análogamente al caso anterior de dos grupos.
El error típico de medida de las puntuaciones
equiparadas (Angoff, 1984) aquí viene dado por:
Se =
S y2 (1 – rxy )[Zx2 (1 + rxy ) + 2]
Nt
[6.3]
Nótese que este error típico es menor que el
dado para el diseño de dos grupos equivalentes;
para conseguir la misma precisión con ambos aquel
requiere más sujetos que este.
En el caso del diseño con test de anclaje, como
se ha visto, se dispone de dos muestras, A y B, y se
aplica a cada una de ellas uno de los test a equiparar, sea el test X a A y el test Y a B. Además, un test
Z se aplica en ambas muestras. Los datos necesarios para el método de transformación lineal (Angoff, 1984) pueden obtenerse del siguiente modo:
X = X A + bXZ (A) (Z – ZA )
Y = YB + bYZ (B ) (Z – ZB )
Sx =
2
2
2
2
SXA
+ bXZ
(A) (SZ – SZA )
Sy =
2
2
2
2
SYB
+ bYZ
(B ) (SZ – SZB )
donde
bXZ(A):Pendiente de X sobre Z en la muestra A.
bYZ(B):Pendiente de Y sobre Z en la muestra B.
186 /
2
SXA
Introducción a la Psicometría
y
—
Z: Media global del test de anclaje.
Varianzas respectivas de X e Y.
2
SYB
:
— —
Obtenidos de ese modo los valores X , Y , Sx, Sy,
se procede análogamente a los casos anteriores.
Para este diseño el error típico de medida viene
dado por:
Se =
2S y2 (1 – r 2 )[(1 + r 2 )Zx2 + 2]
Nt
donde se asume que:
r=
bXZ (A)
Sx
=
bYZ (B )
Sy
[6.4]
Percentiles
Es el método más habitual; tanto es así que a
veces se han definido como puntuaciones equivalentes aquellas con percentiles iguales. El método consiste en eso, en hacer corresponder o equiparar aquellas puntuaciones de ambos test cuyos percentiles
son iguales. Por ejemplo, si en un test X de CV a una
puntuación directa de 23 le corresponde el percentil
80 y en otro test Y, también de CV, a una puntuación de 25 le corresponde asimismo el percentil 80,
la puntuación de 23 en el test X se equipara a 25 en
el test Y; sacar 23 puntos en X equivale según este
método a sacar 25 en Y. Las posibilidades y limitaciones de este método son aquellas inherentes a los
percentiles.
© Ediciones Pirámide
Teoría de respuesta a los ítems
La teoría de respuesta a los ítems (TRI) constituye un nuevo enfoque en la teoría de los test que
permite resolver ciertos problemas de medición psicológica inatacables desde la teoría clásica de los test
(TCT). Como señala Lord (1980), la TRI no contradice ni las asunciones ni las conclusiones fundamentales de la teoría clásica de los test, sino que hace
asunciones adicionales que permitirán responder
cuestiones que la TCT no podía. No obstante, como
se irá viendo, la TRI constituye un giro importante
en el acercamiento a la medición psicológica, y,
como el propio Lord (1980) indica a continuación,
a pesar de este carácter complementario de la TRI
respecto de la TCT, poco de esta se utilizará explícitamente en su formulación.
El nombre «teoría de respuesta a los ítems» proviene de que este enfoque se basa en las propiedades
de los ítems más que en las del test global. Aunque
ha sido frecuente en el pasado referirse a la TRI
como teoría o modelos de rasgo latente, en la actualidad la denominación universal es TRI. Y ello,
efectivamente, porque refleja el funcionamiento real
de estos modelos basados en los ítems, permitiendo
además distinguirlos de otros acercamientos más
generales que utilizan el concepto de rasgo latente
en psicología, como pueden ser el análisis factorial,
el análisis multidimensional o las ecuaciones estructurales (Hambleton y Swaminathan, 1985).
Los orígenes de la TRI hay que buscarlos en los
trabajos pioneros de Richardson (1936), Lawley
(1943), Tucker (1946), Lord (1952, 1953a, 1953b) y
Birnbaum (1957, 1958a, 1958b), produciéndose una
rápida expansión a partir de los años sesenta con la
aparición del libro de Rasch (1960) y, sobre todo,
con las contribuciones de Birnbaum en el de Lord
© Ediciones Pirámide
7
y Novick (1968), todo ello complementado con el
acceso generalizado a los ordenadores, imprescindibles para el tratamiento de los modelos de TRI. En
la actualidad se dispone de una extensa y pertinente literatura, por ejemplo Wright y Stone (1979),
Lord (1980), Hambleton y Swaminathan (1985),
Andrich (1988), Hulin, Drasgow y Parsons (1983),
Van der Linden y Hambleton (1997), Embretson y
Reise (2000), Yen y Fitzpatrick (2006), Ayala (2009),
Nering y Ostini (2010), Faulkner-Bond y Wells
(2016) o el reciente tratamiento enciclopédico de
Van der Linden (2016), entre otros muchos. En español pueden verse López Pina (1995), Muñiz
(1996a, 1997a), Revuelta, Abad y Ponsoda (2006),
Martínez Arias et al. (2006) o Abad et al. (2011).
1. OBJETIVOS
Aparte de las contribuciones de tipo técnico que
aportará la TRI a la hora de construir y analizar
los test, desde el punto de vista teórico de la medición su gran contribución se centra en la posibilidad de obtener mediciones invariantes respecto de
los instrumentos utilizados y de las personas implicadas. Veamos qué significa esta afirmación un tanto críptica. En la teoría clásica, el resultado de la
medición de una variable depende del test utilizado,
lo que plantea serios problemas para tratar de establecer la equivalencia entre las puntuaciones de dos
test distintos que midan una misma variable. Por
ejemplo, si la variable inteligencia de una persona
se mide con dos test distintos, ambos de inteligencia
obviamente, su puntuación no será la misma en
cada uno de ellos, ya que no necesariamente funcio-
188 /
Introducción a la Psicometría
nan en la misma escala. Por tanto ¿cuál es la inteligencia de esa persona? En la teoría clásica la medida de una variable es inseparable del instrumento
utilizado para medirla, y ello constituye una seria
limitación. El problema no es ni mucho menos nuevo, pues Thurstone (1928b) ya lo apuntó claramente: «... un instrumento de medida no debe venir
afectado por los objetos medidos... sus mediciones
deben ser independientes de los objetos medidos»
(p. 547). Además, las propiedades del instrumento
de medida, esto es, de los ítems y, por tanto, del
test, están en función de las personas a las que se
aplican. Por ejemplo, el índice de dificultad de un
ítem dependerá de que el grupo de personas utilizado para calcularlo sea competente o no; en el primer caso será fácil, y en el segundo, difícil. Para
entender estas dos limitaciones, imagínese el lector
que la longitud de una mesa dependiese del tipo de
metro utilizado y que, además, las cualidades del
metro se estableciesen en función del tipo de mesa
medida. El acercamiento clásico se encontraba encerrado en esa incongruencia teórica: la medición
depende del instrumento utilizado y las propiedades
de estos están en función de los objetos medidos,
las personas. La promesa y objetivo central de la
TRI serán solucionar este problema, lo que, en
suma, permitirá:
—Obtener mediciones que no varíen en función del instrumento utilizado, es decir, que
sean invariantes respecto de los test empleados.
—Disponer de instrumentos de medida cuyas
propiedades no dependan de los objetos medidos, sean invariantes respecto de las personas evaluadas.
Además de este objetivo central, o, más bien,
derivados de él, la TRI proporcionará todo un conjunto de avances técnicos de gran interés para la
evaluación psicológica y educativa, tales como las
funciones de información de los ítems y del test,
errores típicos de medida distintos para cada nivel
de la variable medida o el establecimiento de bancos de ítems con parámetros estrictamente definidos, lo que posibilita el uso de test adaptados al
nivel de la persona evaluada, permitiendo exploraciones más exhaustivas y rigurosas en función de las
características de las personas. Para conseguir tales
objetivos las asunciones de la TRI serán fuertes y
restrictivas, amén de comprometidas desde el punto
de vista de la teorización psicológica.
2. SUPUESTOS
2.1. Curva característica de los ítems
Los modelos de TRI asumen que existe una relación funcional entre los valores de la variable que
miden los ítems y la probabilidad de acertar estos y
denominan a dicha función «curva característica
del ítem» (CCI). Expresado en otras palabras, ello
significa que la probabilidad de acertar un ítem depende de los valores de la variable medida por el
ítem; por tanto, personas con distinta puntuación
en dicha variable tendrán probabilidades distintas
de superar determinado ítem.
En la figura 7.1 aparece la curva característica
de un ítem. En el eje de abscisas se representan los
valores de la variable que mide el ítem, a la que en
adelante se denominará theta (q), y en el de ordenadas aparece la probabilidad de acertar el ítem
P(q). La curva dibujada es la CCI y nos da la probabilidad de acertar el ítem para los distintos valores de q. Así, por ejemplo, las personas cuyo valor
en q fuese –1 tendrían una probabilidad de acertar
este ítem de 0,10, a una q = 0 le correspondería una
P(q) = 0,50, etc.
La CCI, como su nombre indica, es eso, característica, típica, específica de cada ítem, caracteriza
al ítem; por tanto, las CCI de los ítems que miden
una determinada variable q no son iguales, si bien
compartirán determinada forma general, como se
verá más adelante. Llegados aquí seguramente asaltarán al lector varios interrogantes; el primero,
cómo se elaboran las CCI y qué formas toman,
pues posibles curvas en el plano hay infinitas, sin
entrar a considerar espacios de más dimensiones; el
segundo, cómo se relacionan, qué tienen que ver las
CCI con los objetivos de la TRI establecidos. Por el
momento solo cabe dar ánimos para continuar,
todo llegará.
En primer lugar, una aclaración: la CCI no es
la regresión ítem-test, aunque tenga algunas semejanzas. La regresión ítem-test consiste en hacer corresponder los valores del test con las proporciones
de aciertos en determinado ítem.
© Ediciones Pirámide
Teoría de respuesta a los ítems
/ 189
P(q)
1,00
0,50
0,00
–3
–2
–1
0
q
1
2
3
Figura 7.1.—Curva característica de un ítem.
En la figura 7.2 aparece la regresión de un
ítem sobre el test para una determinada muestra
de personas. En el eje de abscisas se representan
las puntuaciones de las personas en el test, y en
el de ordenadas, la proporción de personas que
acertaron elítem. Los puntos del gráfico indican
la proporción de personas que aciertan el ítem
para cada valor del test. Por ejemplo, de las personas que sacaron 8 puntos en el test acertaron el
ítem el 70 % ( p = 0,70), mientras que de las que
sacaron un 1 en el test solo lo acertaron el 20 %
( p = 0,20).
1,00
0,80
P
0,60
0,40
0,20
0,00
0
1
2
3
4
5
6
Puntuaciones en el test
Figura 7.2.—Regresión ítem-test.
© Ediciones Pirámide
7
8
9
10
190 /
Introducción a la Psicometría
1,50
1
1,00
2
P(q)
La diferencia fundamental entre la CCI y la regresión ítem-test es que en la CCI la variable que
miden los ítems (q) no es la puntuación que las personas sacan en el test, lo cual no quiere decir que
no estén relacionadas, pero no son intercambiables
sin más. Por ejemplo, los valores de q están comprendidos entre –∞ y +∞, mientras que los de un
test suelen estarlo entre cero y la puntuación máxima posible en ese test. Puede decirse que las puntuaciones de las personas en el test son una estimación de q, pero no constituyen la escala q. La forma
estricta de conexión entre las puntuaciones del test
y los valores de q se verá más adelante.
0,50
0,00
q
Figura 7.3.—Tipos de curvas características no utilizados en
la teoría de respuesta a los ítems.
Parámetros
Los parámetros se refieren a los valores que van
a hacer que la CCI tenga una forma u otra. Habrá
que especificar en primer lugar cuántos se toman en
consideración y en segundo lugar qué valores toman, es decir, cómo se calcula su valor.
Veamos en principio, a modo de ilustración,
dos tipos de CCI que no se van a utilizar en la TRI.
Si se utilizase como CCI la recta, ocurriría que,
para determinados valores de q, la probabilidad
P(q) podría ser negativa o mayor que 1, lo que sería
incompatible con los axiomas de la probabilidad,
que establecen su valor entre 0 y 1. En el caso 2 no
se plantea el problema anterior, pero el modelo es
poco plausible para modelizar la conducta humana,
en la que el paso fallar-acertar un ítem no se produce tan sistemáticamente en un punto concreto y
siempre el mismo, más bien se da una transición
probabilística. Recuerde el lector que las clásicas escalas de Guttman se basan en este tipo de modelo
1,00
0,80
0,60
P(q)
a
0,40
0,20
c
0,00
–3,0
–2,0
–1,0
0,0
b
1,0
2,0
3,0
q
Figura 7.4.—Parámetros de las curvas características de los ítems.
© Ediciones Pirámide
Teoría de respuesta a los ítems
determinista de todo o nada, poco plausible para
humanos mayormente instalados en el reino de la
probabilidad.
Las CCI utilizadas en la TRI van a ser del «tipo
S» y para definirlas adecuadamente habrá que tener
en cuenta únicamente los tres parámetros que se
detallan a continuación.
Los tres parámetros a considerar van a denominarse a, b y c.
Parámetro a
El parámetro a se denomina índice de discriminación y su valor es proporcional a la pendiente de
la recta tangente a la CCI en el punto de máxima
pendiente de esta. Cuanto mayor sea la pendiente,
mayor será el índice de discriminación. Su valor numérico se especificará más adelante, cuando se
adopte un tipo de función matemática para la curva. Aunque el nombre «índice de discriminación»
alude como en la teoría clásica a la capacidad discriminativa del ítem, su valor no será el mismo. A
modo de ilustración, y para ayudar a su comprensión, cabe señalar (Lord, 1980) que el valor de a
cuando q se distribuye según la curva normal con
media 0 y desviación típica 1 N(0, 1), y no hay aciertos al azar (c = 0), viene dado aproximadamente
por la expresión:
a≡
rb
1 – (rb )2
[7.1]
donde rb es la correlación biserial ítem-test, o sea,
el índice de discriminación en el modelo clásico.
Parámetro b
Se denomina índice de dificultad y es el valor de
q correspondiente al punto de máxima pendiente de
la CCI. Como en el caso de a, tampoco el significado de b es aquí exactamente el mismo que en la teoría clásica, aunque, por supuesto, se refiere a la dificultad del ítem. Nótese, sobre todo, que aquí la
dificultad del ítem se mide en la misma escala que q;
de hecho, es un valor de q, aquel que corresponde a
la máxima pendiente de la CCI. De nuevo, con fines
ilustrativos, si se mantienen las condiciones de normalidad de q, el parámetro b se relaciona con el ín© Ediciones Pirámide
/ 191
dice de dificultad de la teoría clásica aproximadamente según la expresión:
b≡
–Z p
rb
[7.2]
donde Zp es la puntuación típica que corresponde
en la curva normal a la proporción de aciertos en el
ítem (índice de dificultad en la teoría clásica) y rb es
la correlación biserial ítem-test. Por ejemplo, si en
las condiciones citadas cierto ítem tiene una
rb = 0,50 y es acertado por el 75 % de las personas
(índice de dificultad en la teoría clásica, 0,75), b valdría aproximadamente:
b ≡ –0,67/0,50 = –1,34
(Nótese que el valor de Z en la curva normal
que deja por encima de sí al 75 % de los casos es
–0,67.)
Parámetro c
El parámetro c representa la probabilidad de
acertar el ítem al azar cuando «no se sabe nada», es
decir, es el valor de P(q) cuando q = –∞. En otras
palabras, es el valor asintótico de la CCI cuando q
tiende a –∞. Su equivalente aproximado en la teoría
clásica viene dado por la probabilidad de acertar el
ítem al azar. Por ejemplo, si un ítem tiene cinco alternativas y solo una es correcta, la probabilidad de
acertarlo al azar sin conocer la respuesta es
p = 1/5 = 0,20. Luego para este ítem una estimación aproximada de c sería 0,20.
La CCI queda definida cuando se especifica el
valor de estos tres parámetros y se adopta una determinada función matemática para la curva. Según el
tipo de función matemática adoptada y el valor de
los parámetros, tendremos diferentes modelos de
CCI. Véanse en la figura 7.5 algunas CCI en las
que los tres parámetros expuestos toman diferentes
valores.
A medida que las CCI se ubican más a la derecha en el eje de abscisas, significa que los ítems son
más difíciles, pues b aumenta. El ítem más fácil de
los cinco representados es el 1, y el más difícil, el 5.
El poder discriminativo a viene indicado por la pendiente de las CCI; los ítems 1 y 2 tienen un alto
192 /
Introducción a la Psicometría
1
1,00
0,80
2
0,60
P(q)
3
0,40
4
0,20
5
0,00
–3,0
–2,0
–1,0
0,0
1,0
2,0
3,0
q
Figura 7.5.—Curvas características con diferentes valores de los parámetros.
poder discriminativo, pero hay que notar inmediatamente que esa capacidad discriminativa se da
para determinados valores de q, en concreto, en el
ítem 1, para valores de q en torno a –1, y en el ítem
2, para valores de q en torno a 0,50. Esto tendrá
importantes consecuencias en la construcción de
test, pues, según nos interese discriminar en una
zona u otra de q, elegiremos unos ítems u otros.
Finalmente, el parámetro c, aciertos al azar, es 0
para los ítems 1, 2 y 5 y 0,10 para el 3 y el 4.
En suma, la CCI, piedra angular de la TRI, establece una relación funcional entre los valores de
la variable medida q y la probabilidad de acertar el
ítem. El tipo de función matemática adoptado para
la CCI, el número de parámetros considerados y
otros criterios que se elijan darán lugar a distintos
modelos de TRI.
2.2. Unidimensionalidad
e independencia local
Como se acaba de señalar en el apartado anterior, la CCI establece una relación funcional entre la
probabilidad de acertar un ítem y los valores de q.
Por tanto, si el modelo es correcto, la probabilidad
de acertar un ítem únicamente dependerá de un factor, a saber, de q. En otras palabras, la TRI asume
implícitamente en su formulación que los ítems des-
tinados a medir la variable q constituyen una sola
dimensión, son unidimensionales. Aunque también
se han desarrollado modelos multidimensionales,
todo lo dicho hasta ahora se refiere a modelos unidimensionales. En el caso de modelos multidimensionales (MIRT), la CCI recibe la denominación más
general de «función característica del ítem», pues ya
no es una curva en el plano, sino una función, la que
sea, en un espacio multidimensional. Algunas propuestas de modelos multidimensionales pueden verse
en Bock y Aitkin (1981), Samejima (1974), Thissen
y Steinberg (1984), Whitely (1980), Ackerman (2005),
Reckase (2009), o en español el trabajo de Maydeu
(1996). En el apartado 4.1 se comentan las estrategias a seguir para comprobar que los datos son unidimensionales y, por tanto, se pueden aplicar los modelos de TRI que asumen este supuesto.
Si se cumple la unidimensionalidad, de ello se
deriva que existe independencia local entre los ítems;
esto es, que para una persona con un determinado
valor en la variable unidimensional su respuesta a
un ítem no viene influida por sus respuestas en los
otros. Nótese que si ello ocurriera, se caería en una
contradicción, pues significaría que la variable unidimensional no daría cuenta de toda la varianza de
los ítems, sino que parte de esta dependería de otros
ítems. La independencia local puede expresarse diciendo que la probabilidad de que una persona
© Ediciones Pirámide
Teoría de respuesta a los ítems
acierte n ítems es igual al producto de las probabilidades de acertar cada uno de ellos. Por ejemplo, si
un test consta de tres ítems y la probabilidad de que
cierta persona acierte el primero es P(A1) = 0,40, de
que acierte el segundo P(A2) = 0,50 y el tercero
P(A3) = 0,80, lo que establece el principio de independencia local es que la probabilidad de que esta
persona acierte los tres ítems viene dada por:
P(A1, A2, A3) = (0,40)(0,50)(0,80) = 0,16
La probabilidad de que acierte los dos primeros
y falle el tercero vendría dada por p(A1, A2, F3) =
= (0,40)(0,50)(1 – 0,80) = 0,04, etc.
Nótese que, por ejemplo, ítems encadenados
cuya respuesta a uno depende de que se conozca la
del anterior carecerían de independencia local; lo
mismo ocurriría si el orden de presentación de los
ítems afectase a las respuestas, etc., existiendo distintas situaciones atentatorias contra el principio de
independencia local. Análogamente, puede hablarse
de independencia local de las personas en el sentido
de que el rendimiento de una persona es independiente del rendimiento de las otras.
Matemáticamente, lo dicho anteriormente puede expresarse como sigue:
/ 193
P(U1 ,U 2 ,…,U n θ ) = P(U1 θ )P(U 2 θ )! P(U n θ ) =
n
=
∏ P(Ui
θ)
[7.3]
i =1
dónde Ui es la respuesta de una persona al ítem i.
La fórmula indica que, para un valor dado de
q, la probabilidad de un determinado patrón de respuesta a los ítems es igual al producto de las probabilidades para cada uno de los ítems. Esta conceptualización de independencia local es a veces mal
interpretada, cuando se considera que la existencia
de correlación entre los ítems de un test significa
que no hay independencia local. En realidad son
cosas distintas: las correlaciones entre las respuestas
de las personas a los ítems se deben a su nivel de
aptitud, a q, pero si el valor de q se parcializa, se
mantiene constante, entonces no tiene por qué haber correlación, y este es el caso de la independencia local; nótese que se refiere a un determinado
valor de q. Si hay unidimensionalidad, se obtiene
independencia local; en ese sentido son conceptos
equivalentes, pero puede existir independencia local
con datos no unidimensionales, como es el caso de
los modelos multidimensionales de TRI.
EJERCICIOS
1. En la columna (X ) de la tabla adjunta aparecen las puntuaciones obtenidas por una muestra
de 100 personas en un test de 10 ítems. En la segunda columna (% aciertos) se refleja el porcentaje de
personas que, habiendo obtenido la puntuación que
figura en la primera columna, han superado el ítem
6 del test.
© Ediciones Pirámide
X
% aciertos
1
2
3
4
5
6
7
8
9
10
5
10
20
30
40
50
65
80
90
95
1.Trace la gráfica de la regresión ítem-test
para los datos de la tabla.
2.Según los datos del gráfico anterior, ¿existe
alguna conexión entre la puntuación obtenida en el test y la probabilidad de superar
el ítem 6? Descríbala.
3.Dibuje un gráfico, correspondiente a un test
e ítem hipotéticos, en el que no haya ninguna relación entre las puntuaciones que las
personas obtienen en el test y su probabilidad de superar el ítem.
4.¿Cuál sería la discriminación de un ítem
como el del apartado anterior?
5.Señale la diferencia fundamental entre la
regresión ítem-test y la curva característica
del ítem.
2. En la tabla adjunta aparecen las puntuaciones de una muestra de personas (X ) y sus puntua-
194 /
Introducción a la Psicometría
ciones en uno de los ítems del test (1 significa acierto y 0 error).
X
% aciertos
4
6
7
8
10
0
1
0
1
1
1.Calcular el índice de discriminación clásico
(rb).
2.
Estimar el valor aproximado que tomaría el
parámetro a de este ítem.
3.Estimar el valor del parámetro b.
3. En la tabla aparecen las respuestas de 20
personas, todas ellas con el mismo nivel en la variable medida q, en dos ítems de un test (el 1 significa
acierto y el 0 error).
Personas
Ítem A
1 0 1 0 1 0 1 0 1 1 1 0 0 0 1 1 1 0 0 0
Ítem B
1 1 1 1 1 1 1 1 0 0 0 1 0 0 0 0 1 0 0 0
1.Al nivel de confianza del 95 %, ¿puede afirmarse que existe independencia local para
estos ítems?
2.Genere un patrón de respuestas para las 20
personas en ambos ítems, de tal guisa que
se viole totalmente el supuesto de independencia local entre ambos.
1
2
3
4
5
Total
4. Se aplicaron dos escalas de actitudes hacia
la religión a una muestra de 500 universitarios. La
varianza explicada por cada uno de los cinco factores obtenidos tras realizar un análisis factorial de
cada una de las escalas fue la siguiente:
Escala 1
Escala 2
12,0
0,9
0,8
0,2
0,1
12,0
9,0
0,8
0,8
0,4
14,0
23,0
1.¿Qué porcentaje de la varianza total explica
el primer factor en cada una de las escalas?
2.Si se desea utilizar alguno de los modelos de
TRI con estas escalas, ¿cuál de las dos cumple mejor el supuesto de unidimensionalidad? Razone la respuesta.
SOLUCIONES
1.2.Al aumentar la puntuación en el test, aumenta la probabilidad de superar el ítem.
3.Línea recta paralela al eje de abscisas
(puntuaciones en el test).
4. Nula.
5.La escala del test es distinta de la escala
q.
2.1. 0,77.
2. 1,21.
3. –0,32.
3.1.(c2 = 0 < 3,84): no significativa, se acepta
la independencia local.
2.Muchos patrones posibles; los más extremos serían aquellos cuyas tablas de contingencia tuviesen: diez 1-1 y diez 0-0, o
diez 1-0 y diez 0-1.
4.1. Escala 1: 86 %; escala 2: 52 %.
2. Escala 1.
© Ediciones Pirámide
Teoría de respuesta a los ítems
3. MODELOS
Como se ha visto, el distintivo central de la
TRI lo constituye la CCI. Ahora bien, según se
adopte para la CCI una función matemática u otra
y según se tengan en cuenta uno, dos o tres de los
parámetros de los ítems descritos, se generarán diferentes modelos. Se han utilizado con mucha frecuencia dos tipos de funciones matemáticas para la
CCI, la función logística y la curva normal acumulada, lo que daría lugar a seis modelos según se
contemplen uno, dos o tres parámetros para cada
una de estas dos funciones. Dada la mayor tratabilidad matemática de la función logística, en la actualidad los tres modelos por antonomasia de la
TRI son el logístico de un parámetro, el logístico
de dos parámetros y el logístico de tres parámetros.
En los tres casos se asume (aquí) que la respuesta
a los ítems es dicotómica, es decir, o se acierta o se
falla el ítem, independientemente del número de alternativas que tenga, o que sea de carácter abierto
en el que las personas deban generar su propia respuesta, en cuyo caso esta solo se considerará correcta o incorrecta, sin grados intermedios. No
obstante, existen en la literatura otros tipos de modelos para respuestas multicategoriales (Nering y
Ostini, 2010; Revuelta, Abad y Ponsoda, 2006).
Para una clasificación de los modelos, véanse Thissen y Steinberg (1986), Goldstein y Wood (1989) o
Van der Linden y Hambleton (1997). Se entiende
por ítems multicategoriales aquellos en los que las
respuestas no se consideran aciertos o fallos, sino
que cada una de las alternativas recibe cierta ponderación según su pertinencia. Ítems continuos serían aquellos en los que la persona evaluada estima
cierto nivel en una escala. No es infrecuente forzar
ambos tipos de ítems dentro de un formato dicotómico; mediante el establecimiento de algún punto
de corte, a veces lo que se pierde en información se
gana en operatividad.
El número de modelos pensables, barajando diversos criterios clasificatorios, puede acercarse poco
menos que a infinito y corresponde a la evidencia
empírica y a la enjundia teórica llevar a cabo la selección. En adelante se expondrán con cierto detalle
los modelos básicos, como son los logísticos de uno,
dos y tres parámetros.
© Ediciones Pirámide
/ 195
3.1. Modelo logístico de un parámetro
(modelo de Rasch)
El modelo logístico de un parámetro fue formulado originalmente por Rasch (1960), recibiendo
posteriormente notable atención, especialmente en
la Universidad de Chicago, por Wright et al.
(Wright, 1977a y b; Wright y Stone, 1979). Es, sin
duda, el modelo más popular de TRI, debido en
gran parte a la sencillez emanada de su lógica: la
respuesta a un ítem solo depende de la competencia
de la persona y de la dificultad del ítem, es decir, de
q y de b, lo cual constituye la esencia de la medición.
Según dicho modelo, la CCI viene dada por la
función logística, y el único parámetro de los ítems
a tener en cuenta es b, el índice de dificultad.
La función logística es una curva cuya fórmula
general viene dada por:
y=
ex
1 + ex
[7.4]
Se puede representar de forma gráfica (figura
7.6) dando valores a X.
X
Y
–∞
–3
–2
–1
0
1
2
3
∞
0,000
0,047
0,119
0,269
0,500
0,731
0,881
0,953
1,000
La función logística ha sido tradicionalmente
utilizada en biología y medicina para problemas
como el crecimiento de las plantas o la propagación
de enfermedades. Tiene la ventaja sobre la curva
normal de que es más fácil para operar con ella matemáticamente, es «matemáticamente más tratable».
Mediante el uso de una constante adicional
(D = 1,7), en la función logística sus valores se aproximan notablemente a los de la curva normal acu-
196 /
Introducción a la Psicometría
1,00
0,80
Y
0,60
0,40
0,20
0,00
–3,0
–2,0
–1,0
0,0
1,0
2,0
3,0
X
Figura 7.6.—Función logística.
mulada, por lo que es frecuente encontrarla expresada como:
y=
e DX
1 + e DX
[7.5]
Adaptada a la terminología de la TRI para el
caso concreto de un parámetro, en el modelo de
Rasch la CCI adquiere la siguiente expresión:
Pi (θ ) =
e D(θ –bi )
1 + e D(θ –bi )
[7.6]
donde:
Pi(q):Probabilidad de acertar el ítem i a determinado nivel q.
q: Valores de la variable medida.
bi: Índice de dificultad del ítem i.
e: Base de los logaritmos neperianos (2,72).
D:Constante (cuando D = 1,7, los valores
de la función logística apenas difieren de
los de la curva normal acumulada).
El modelo es claro: conocido el índice de dificultad de un ítem, b, y la competencia de las perso-
nas, q, predice la probabilidad, P(q), de que acierten
el ítem. (En adelante, para este y otros modelos,
cuando el contexto sea inequívoco, se prescindirá
del subíndice i, por sencillez.)
Ejemplo
¿Cuál es la probabilidad de que las personas
con q = 2 acierten un ítem cuyo índice de dificultad
es b = 1,5? (Se asume D = 1).
P(θ ) =
2,721(2 – 1,5)
= 0,62
1 + 2,721(2 – 1,5)
Nótese que si q = b, entonces:
P(θ ) =
e0
1
1
=
= = 0,5
0
1+ e
1+1 2
Por tanto, en este modelo puede definirse el índice de dificultad b como aquel valor q para el cual
P(q) = 0,5 (figura 7.7).
© Ediciones Pirámide
Teoría de respuesta a los ítems
/ 197
1,00
0,90
0,80
0,70
P(q)
0,60
0,50
0,40
0,30
0,20
0,10
0,00
–3,0
–2,0
–1,0
0,0
1,0
b
2,0
3,0
q
Figura 7.7.—Curva característica de un ítem: b = 1,5; c = 0.
En otras palabras, el índice de dificultad b es el
valor de q en el punto de inflexión de la curva. La
ventaja de que b esté en la misma escala que q será
notoria.
Tal vez el lector comience a impacientarse con
tanta suposición acerca del valor de q y de b, cuando
en realidad el problema sería cómo hallar su valor.
No se olvide que el único dato accesible son las respuestas de las personas a los ítems. A modo de placebo tranquilizador, sepa el lector que, a partir de las
respuestas de las personas a los ítems, hay métodos
estadísticos razonables implementados en programas
informáticos que permiten estimar el valor de b para
cada ítem y el valor de q para cada persona, así
como comprobar si el modelo se ajusta a los datos.
Para evitar confusiones, adviértase que la
fórmula dada para el modelo de Rasch puede expresarse de formas ligeramente distintas si se hacen
algunas operaciones. Así, no es infrecuente encontrarlo formulado del siguiente modo:
Pi (θ ) =
1
1 + e – D(θ – bi )
Pi (θ ) = [1 + e – D(θ – bi ) ]–1
[7.7]
[7.8]
En otras ocasiones, en vez de q se emplea exp,
refiriéndose a exponencial. Todas las expresiones son
equivalentes, pero aquí se usará la primera citada.
3.2. Modelo logístico de dos parámetros
El modelo logístico de dos parámetros fue originalmente desarrollado por Birnbaum (1957,
1958a, 1958b, 1968). Asume que la CCI viene dada
por la función logística y contempla dos parámetros de los ítems, el índice de dificultad b y el índice
de discriminación a. Su fórmula viene dada por
Pi (θ ) =
que es, por supuesto, equivalente a la fórmula anterior y que viene de dividir su numerador y denomi© Ediciones Pirámide
nador por eD(q – bi). A su vez, esta última se puede
expresar así:
e Dai (θ – bi )
1 + e Dai (θ – bi )
[7.9]
donde, como en el modelo logístico de un parámetro:
Pi(q):Probabilidad de acertar el ítem i para un
valor q.
198 /
Introducción a la Psicometría
q: Valores de la variable medida.
bi: Índice de dificultad del ítem i.
ai: Índice de discriminación del ítem i.
e: Base de los logaritmos neperianos (2,72).
D:Constante. Cuando toma el valor 1,7, la
función logística se aproxima a la normal
acumulada.
Ejemplo
El índice de discriminación de un ítem es 2, y su
índice de dificultad, 1,5. ¿Qué probabilidad tienen
de acertar ese ítem las personas cuyo nivel de competencia en la variable medida sea 2,5?
Datos: a = 2; b = 1,5; q = 2,5; D = 1,7;
P(θ ) =
2,72 (1,7 )(2 )(2,5 – 1,5)
= 0,967
1 + 2,72 (1,7 )(2 )(2,5 – 1,5)
La probabilidad de superar el ítem es muy elevada (0,967), como era de esperar, pues a medida
que q es mayor que b, para un determinado valor
de a, P(q) aumenta según el modelo logístico, lo
cual es razonable, pues a mayor competencia de
las personas, mayor probabilidad de superar un
ítem dado. Véanse en la figura 7.8 dos ítems con
distinta dificultad y distinto índice de discriminación.
El ítem 2 es más difícil que el 1 (b2 > b1) y su
índice de discriminación es mayor (a2 > a1). No
obstante, a pesar del menor índice de discriminación del ítem 1, nótese que para valores de q en
torno a b1 la capacidad de discriminación del ítem
1 supera la del 2. Por tanto, la elección de un ítem
u otro basándose en su capacidad discriminativa
habrá de hacerse en función de la zona de q que se
desea discriminar.
3.3. Modelo logístico de tres
parámetros
Con sus orígenes en los trabajos de Birnbaum
(1957, 1958a, 1958b, 1968), el modelo logístico de
tres parámetros es, junto con el de Rasch, uno de
los que más atención ha recibido en la literatura
psicométrica. El modelo asume que la CCI viene
dada por la función logística y añade a los dos parámetros a y b ya citados un tercero, c, relativo a la
probabilidad de acertar el ítem al azar cuando no
se conoce la respuesta. Más exactamente ci es el valor de Pi(q) cuando q = – ∞.
1
1,00
P(q)
2
a1
0,50
0,00
–3,0
–2,0
b1
a2
0,0
1,0
b2
2,0
3,0
q
Figura 7.8.—Curvas características de dos ítems con índices de dificultad y discriminación diferentes.
© Ediciones Pirámide
Teoría de respuesta a los ítems
El modelo puede expresarse así:
Pi (θ ) = ci + (1 – ci )
e Dai (θ – bi )
1 + e Dai (θ – bi )
[7.10]
donde Pi(q), e, D, ai, q y bi tienen la misma significación que la ya citada para el caso de dos parámetros, y ci es el valor de Pi(q) cuando q = – ∞.
Ejemplo
La probabilidad de acertar cierto ítem al azar es
0,25, su índice de dificultad es 0,5 y su índice de
discriminación es 1,25. ¿Cuál es la probabilidad de
acertar ese ítem para personas con q = 1?
P(θ ) = 0,25 + (1 – 0,25)
2,72(1,7 )(1,25)(1 – 0,5)
=
1 + 2,72 (1,7 )(1,25)(1 – 0,5)
= 0,805
Este valor de P(q) = 0,805 sería menor si en las
mismas condiciones el valor de c fuese cero, en cuyo
caso P(q) = 0,74. Naturalmente, con la probabilidad de acertar el ítem al azar de 0,25 la probabilidad de respuestas correctas por parte de las personas aumenta.
Nótese que en los modelos de uno y dos parámetros, cuando el valor de q = b, P(q) = 0,50, mientras
que aquí cuando q = b, P(q) = (1 + c)/2. Para los datos
del ejemplo, cuando q = b = 0,5, P(q) = (1 + 0,25)/2 =
= 0,625 (figura 7.9). Ciertamente, si c = 0, P(q) =
= 1/2 = 0,5; con c = 0, el modelo de tres parámetros
se convierte en un modelo de dos parámetros.
El modelo logístico de tres parámetros es el más
general: si se hace c = 0, se obtiene el de dos parámetros, y si además a se asume constante para todos los ítems, se obtiene el de un parámetro.
Algunos autores (Barton y Lord, 1981) han propuesto, incluso, un modelo logístico de cuatro parámetros para tratar de mitigar el problema real de que
a veces por determinadas circunstancias, como el
descuido o el uso de información que el constructor
del ítem no tuvo en cuenta, las personas de alta competencia fallan ítems impropiamente (Hambleton y
Swaminathan, 1985). Hasta la fecha se han dedicado
pocas investigaciones a este tipo de modelos, y no
parece que aporte ventajas significativas respecto al
de tres parámetros, máxime cuando los problemas
que trata de solucionar más bien hay que evitar que
se produzcan. El modelo viene dado por:
Pi (θ ) = ci + (Yi – ci )
e Dai (θ – bi )
1 + e Dai (θ – bi )
1,00
0,80
P(q)
0,60
0,40
0,20
c
0,00
–3,0
–2,0
–1,0
0,0
b
1,0
2,0
q
Figura 7.9.—Curva característica de un ítem con b = 0,5 y c = 0,25.
© Ediciones Pirámide
/ 199
3,0
[7.11]
200 /
Introducción a la Psicometría
Fórmulas de los modelos logísticos
Un parámetro:
Pi (θ ) =
e D(θ – bi )
1 + e D(θ – bi )
Dos parámetros:
Pi (θ ) =
e Dai (θ – bi )
1 + e Dai (θ – bi )
Tres parámetros:
Pi (θ ) = ci + (1 – ci )
Cuatro parámetros:
Pi (θ ) = ci + (Yi – ci )
e Dai (θ – bi )
1 + e Dai (θ – bi )
e Dai (θ – bi )
1 + e Dai (θ – bi )
Lord para esta preferencia es que, aunque teóricamente los personas con una elevada competencia no
deberían fallar ítems fáciles, por razones varias, de
hecho lo hacen, y como la función logística se aproxima asintóticamente más lentamente que la normal, este tipo de anomalías tendrán menos incidencia sobre el modelo logístico que sobre el normal.
Aquí se expondrán las fórmulas de los modelos
de ojiva normal con carácter ilustrativo y teórico,
pero por las razones expuestas su utilización actual
es escasa. Nótese que hasta su pionero y exponente
máximo (Lord, 1952) se «convirtió» a la fe logística
(Lord, 1968, 1980), parece que bajo las influencias
de Birnbaum (Wright y Stone, 1979). En el cuadro
adjunto aparecen formulados los modelos de ojiva
normal de uno, dos, tres y cuatro parámetros, donde q, a, b, c y e tienen la misma significación que la
ya vista en los modelos logísticos.
donde Yi toma valores ligeramente inferiores a 1 y
el resto de los componentes son los ya descritos
para los otros modelos.
3.4. Modelos de ojiva normal
Los modelos de ojiva normal asumen que la
CCI viene dada por la función de la curva normal
acumulada. Preceden en su desarrollo a los modelos
logísticos (Lawley, 1943; Tucker, 1946; Lord, 1952),
pero, como ya se ha señalado, la mayor tratabilidad
matemática de la función logística ha determinado
su predominio. Como señala Lord (1980), no hay
razones sustantivas sólidas para elegir a priori un
tipo de modelo u otro (logístico/normal), y a nivel
práctico los resultados son muy similares, por lo que
la mayor manejabilidad matemática decide a inclinarse por los logísticos. Otra razón apuntada por
Modelos de ojiva normal
Un parámetro:
Pi (θ ) =
#
θ – bi
(1/ 2π )e (– Z
2
/2 )
dz
–∞
Dos parámetros:
Pi (θ ) =
#
ai ( θ – bi )
(1/ 2π )e (– Z
2
/2 )
dz
–∞
Tres parámetros:
Pi (θ ) = ci + (1 – ci )
#
ai ( θ – bi )
(1/ 2π )e (– Z
2
/2 )
dz
–∞
Cuatro parámetros:
Pi (θ ) = ci + (Yi – ci )
#
ai ( θ – bi )
(1/ 2π )e (– Z
2
/2 )
dz
–∞
© Ediciones Pirámide
Teoría de respuesta a los ítems
3.5. Orígenes y desarrollo de la TRI
A continuación se ofrece una breve panorámica
histórica del nacimiento y evolución de los modelos
de TRI; para una revisión más amplia puede consultarse el trabajo de Muñiz y Hambleton (1992),
en el cual se basan las líneas que siguen, o el más
reciente de Faulkner y Wells (2016). Los trabajos
pioneros, que ahora retrospectivamente pueden verse como el germen de lo que posteriormente ha
dado en llamarse TRI, se deben una vez más al genio de Thurstone (Thurstone, 1925, 1928a, 1928b;
Thurstone y Ackerson, 1929). En especial, el trabajo de 1925 podría considerarse un claro antecedente de las curvas características de los ítems, cuando
Thurstone presenta una serie de curvas conectando
la edad de las personas con la proporción de aciertos de cada ítem, tomados del test de inteligencia de
Binet. Tucker (1987), en su revisión de los métodos
clásicos de análisis de ítems, señala también este
trabajo como uno de los pioneros, y se atribuye de
paso haber acuñado por primera vez hacia 1945 el
término «curva característica del ítem», acuñación
que reconoce Lord (1952).
Al lado de estos primeros atisbos, hay que citar
a Binet y Simon (1905a, 1905b, 1908), cuyos gráficos
de la evolución de los niños según la edad pueden
considerarse una primera aproximación a curvas características rudimentarias. Asimismo, el trabajo de
Richardson (1936) es seguramente el primer intento
de ajustar la ojiva normal a las respuestas a los
ítems. Sus consejos acerca de la necesidad de controlar la dificultad de los ítems, en función de los objetivos perseguidos por el test, representan una formulación verbal anticipada de lo que luego habría de
permitir realizar la función de información en el
marco de la TRI. Ferguson (1942) también se acerca, vía los métodos psicofísicos, al planteamiento de
las curvas características de los ítems. El paralelismo
de tratar las proporciones de aciertos en los ítems
frente a los valores globales en el test, en los mismos
términos en que lo venían haciendo los métodos psicofísicos para la determinación de los umbrales, será
una característica común en estos comienzos. El propio Ferguson (1942) señala explícitamente que en los
últimos años se da una tendencia creciente entre los
psicómetras a acercar sus métodos a los de la psicofísica. Nada más natural que, a la hora de determinar los parámetros de los ítems, los teóricos de los
© Ediciones Pirámide
/ 201
test acudiesen a los métodos psicofísicos clásicos, en
concreto al de los estímulos constantes, pues tenían
el mismo problema que estos para determinar el umbral absoluto, aquel valor en el eje de abscisas detectado el 50 % de las veces, para lo cual se estaba utilizando la función psicométrica bajo la hipótesis
phi-gamma (Blanco, 1996; Muñiz, 1991), conceptualmente equivalente al parámetro b (dificultad), o
valor de q cuando P(q) = 0,50, supuesto que no hay
aciertos al azar.
Lawley (1943, 1944) lleva a cabo una aproximación más sistemática para modelos muy restrictivos,
y Tucker (1946) también utiliza la curva normal
como rudimento de curva característica. Suele atribuirse a Lazarsfeld (1950) la paternidad del término
«rasgo latente», que será el nombre que tomarán en
principio los modelos, aunque posteriormente se
haya generalizado el de TRI, pues refleja mejor su
funcionamiento real, basado en los ítems, permitiendo además distinguirlos de otras modelizaciones que también utilizan el término «latente», tales
como el análisis factorial, ecuaciones estructurales
o análisis multidimensional (Hambleton y Swarninathan, 1985). En su revisión de la TRI, Goldstein
y Wood (1989) proponen que el término «teoría» se
cambie por modelos, ya que más que teorías psicológicas explicativas lo que se hace es modelizar las
respuestas a los ítems, pero a estas alturas el término TRI aparece consolidado.
Si bien estos pueden ser considerados los orígenes remotos, el nacimiento formal podría ubicarse
en los trabajos de Lord (1952, 1953a, 1953b), que
representan la semilla de la que saldrán los frutos
de la TRI actual. El trabajo de Lord (1952) es el
resultado de su tesis doctoral, dirigida por Gulliksen y asesorado por Tucker, la flor y nata psicométrica de la época. Representa junto con sus propios
trabajos de 1953 (Lord, 1953a, 1953b) la formulación más sistemática de los principales conceptos de
la TRI, a partir de los cuales surgirán los desarrollos posteriores. Si hubiera que ubicar puntualmente en algún momento los orígenes genuinos de la
TRI, lo haríamos en estos trabajos de Lord, especialmente en el de 1952. Este enfoque marcará un
rumbo diferente en las investigaciones psicométricas, si bien, como el propio Lord indica, las conclusiones obtenidas bajo la nueva óptica no contradicen en general los grandes logros de la teoría clásica
de los test, sino que más bien los complementan.
202 /
Introducción a la Psicometría
Nace un nuevo enfoque, pero por entonces aún faltan 30 años para que los modelos de TRI dominen
el escenario psicométrico. Birnbaum (1957, 1958a,
1958b) da otro gran empujón al campo, sustituyendo los modelos de ojiva normal de Lord por los
logísticos, más tratables matemáticamente, generando los desarrollos matemáticos necesarios para su
posible y futuro uso aplicado. En 1960 el danés
George Rasch publica un famoso libro en el que
expone con detalle el modelo logístico de un parámetro, utilizando material de test de aptitudes.
Rasch es consciente de que su trabajo supone un
cambio radical en el enfoque psicométrico, y en la
introducción expone con claridad cómo su modelo
viene a resolver los problemas de invarianza previamente mencionados.
Nótese que para estas fechas nada de lo dicho
y hecho se traduce en una aplicabilidad directa y
generalizada de los modelos por parte de los posibles usuarios, nos movemos a nivel teórico matemático. El impulso más potente llegará con la publicación en 1968 del libro de Lord y Novick en el que
se dedican cinco capítulos al tema, cuatro de ellos
escritos por Birnbaum. Llegados ahí, 1968, puede
decirse que el grueso del corpus general está escrito,
y los primeros modelos formulados, pero su implantación y progreso serán lentos y laboriosos debido a la complejidad matemática de los modelos,
a la ausencia de programas informáticos disponibles para analizar los datos según los nuevos modelos y al escepticismo general acerca de las ventajas
de esta nueva línea de investigación (Hambleton y
Swaminathan, 1985). En su trabajo de 1969 Wright
y Panchapakesan desarrollan la estimación de los
parámetros para el modelo de Rasch, introduciendo
el programa BICAL. Bock y Wood (1971) incluyen
por primera vez en las revisiones para el Annual
Review un apartado dedicado a la entonces denominada «teoría del rasgo latente», donde exponen
con claridad las ventajas de los nuevos modelos y
la literatura sobre el tema por entonces, haciendo
especial hincapié en el libro de Lord y Novick
(1968) y en el de Rasch (1960), como no podía ser
de otro modo.
Entre la publicación del libro de Lord y Novick
(1968) y la disponibilidad de los principales programas informáticos, BICAL (Wright y Mead,
1976; Wright, Mead y Bell, 1979), LOGIST (Wood,
Wingersky y Lord, 1976; Wingersky, Barton y
Lord, 1982), BILOG (Mislevy y Bock, 1984),
MULTILOG (Thissen, 1986), MICROCAT (Assessment Systems Corporation, 1988), NOHARM
(Fraser y McDonald, 1988), ANCILLES y OGIVA
(Urry, 1977), fundamentales para poder aplicar los
modelos, transcurre una década de rápido crecimiento de la literatura y los avances en TRI, empezando a vislumbrarse con claridad las posibilidades reales de la aplicación práctica de los modelos.
Especial mención por su militancia en pro de la
TRI merecen el profesor Benjamin Wright y su
grupo de Chicago; su conferencia invitada de 1967
(Wright, 1968) en un congreso organizado por el
Educational Testing Service (ETS) en Nueva York,
sobre los problemas de los test, suele tenerse por
muy influyente, estimulando a los constructores de
test a utilizar la nueva tecnología de la TRI entonces emergente. Samejima (1969) extiende los modelos para ítems de respuesta no dicotómica, Bock
(1972) y Lord (1974) proponen nuevos métodos de
estimación de los parámetros, para lo cual Lord
utiliza el programa LOGIST.
El desarrollo teórico es rápido, pero será la década de los ochenta-noventa la que supondrá la verdadera expansión y afianzamiento de la TRI y su
masivo predominio en psicometría. El punto de inflexión puede ubicarse en otro libro, cómo no, de
Frederic Lord publicado en 1980 y sintomáticamente titulado Aplicaciones de la Teoría de Respuesta a
los Ítems a problemas prácticos del uso de los test,
pues, efectivamente, las aplicaciones habían llegado.
En este excelente libro, hito bibliográfico de la TRI,
Lord recoge tanto los desarrollos teóricos como las
aplicaciones de los modelos de TRI disponibles
hasta entonces. A partir de esas fechas, los trabajos
sobre distintos aspectos monográficos de la TRI se
multiplican y las revistas del área y los congresos así
lo reflejan; finalmente, el enfoque de la TRI es dominante en el ámbito psicométrico, y un nuevo paradigma psicométrico pasa a dominar la escena. En
1982 la revista Applied Psychological Measurement
dedica un número monográfico a la TRI, y aparece
toda una serie de trabajos que cubren los distintos
aspectos que se han ido desarrollando durante los
años anteriores, entre los que cabe citar los de Hulin, Drasgow y Parsons (1983), Hambleton y Swaminathan (1985), Baker (1985), Andrich (1988),
Linn (1989), Hambleton et al. (1991), Van der Linden y Hambleton (1997), Bock (1997), Ayala (2009),
© Ediciones Pirámide
Teoría de respuesta a los ítems
Wells y Faulkner-Bond (2016), entre otros muchos.
Para una bibliografía exhaustiva clasificada sobre la
TRI, véase Hambleton (1990).
/ 203
A continuación se presenta una cronología con
algunos de los hitos más destacados en el desarrollo
de la TRI.
Cronología de los modelos de TRI
1905 Binet y Simon anticipan con sus gráficos el concepto de curva característica.
1925 Thurstone presenta curvas semejantes a las curvas características de los ítems.
1936 Richardson ajusta la ojiva normal a las respuestas a los ítems.
1942 A través de los métodos psicofísicos, Ferguson se aproxima al planteamiento de las curvas características.
1944 Guttman presenta su modelo de escalamiento para datos cualitativos.
1945 Tucker acuña el término «curva característica del ítem».
1946 Lazarsfeld acuña el término de «rasgo latente», denominación inicial de los modelos de TRI.
1952 Lord publica Una teoría sobre las puntuaciones de los test, que puede ser considerado el inicio de la TRI.
1957 Bimbaum utiliza la función logística en vez de la ojiva normal.
1960 Publicación del libro de Rasch sobre el modelo logístico de un parámetro.
1967 Influyente conferencia invitada de Benjamin Wright en un congreso en Nueva York organizado por el Educational Testing Service.
1968 Se publica el libro de Lord y Novick, con contribuciones de Birnbaum, que supone un fuerte impulso para
la TRI.
1969 Wright y Panchapakesan publican su trabajo sobre la estimación de los parámetros del modelo de Rasch e
introducen el programa BICAL. Samejima propone modelos para ítems politómicos y de respuesta continua.
1972 Nuevos desarrollos en la estimación de los parámetros.
1974 Lord presenta sus nuevos métodos de estimación, implementados en el programa de ordenador LOGIST.
1976 Se hace público el programa LOGIST para estimar los parámetros de los modelos logísticos.
1979 Libro de Wright y Stone, Best Test Design. Programa de ordenador BICAL para el modelo logístico de un
parámetro.
1980 Lord publica su libro sobre aplicaciones de la TRI.
1981 Bock y Aitkin presentan el método de estimación de máxima verosimilitud marginal, incorporado en el programa BILOG.
1982 Segunda versión del programa de ordenador LOGIST para estimar los parámetros de los modelos logísticos.
1984 Programa de ordenador BILOG para estimar los parámetros de los modelos logísticos.
1985 Libro de Hambleton y Swaminathan.
1990 Libro de Wainer sobre los test adaptativos computerizados.
1991 Libro de Hambleton, Swaminathan y Rogers, seguramente el texto introductorio sobre TRI más utilizado en
la actualidad.
1993 Holland y Wainer coordinan un libro sobre el funcionamiento diferencial de los ítems.
1997 Manual de TRI coordinado por Van der Linden y Hambleton.
2005 Libro en honor de Roc McDonald, editado por McArdle y Maydeu.
2009 Libro de Reckase sobre modelos multidimensionales (MIRT).
2010 Manual editado por Nering y Ostini sobre modelos politómicos.
2013 Software flexMIRT para modelos multidimensionales (Cai, 2013).
2016 Libro en honor a Ronald K. Hambleton, uno de los pioneros de la TRI, editado por Wells y Faulkner-Bond.
2016 Manual editado por Van der Linden sobre modelos, métodos y aplicaciones de la TRI.
Algunas diferencias entre la teoría clásica
y la TRI
Se presenta a continuación un cuadro con algunos de los aspectos fundamentales en los que se diferencian la teoría clásica y la TRI.
© Ediciones Pirámide
204 /
Introducción a la Psicometría
Aspectos
Teoría clásica
Teoría de respuesta a los ítems
Modelo.
Lineal
No lineal.
Asunciones.
Débiles (fáciles de cumplir por los datos).
Fuertes (difíciles de cumplir por los datos).
Invarianza de las mediciones.
No.
Sí.
Invarianza de las pro- No.
piedades del test.
Sí.
Escala de las puntua- Entre cero y la puntuación máxima en el test
ciones.
(o alguna transformación de estas).
Entre – ∞ y +∞ (o alguna transformación de
estas).
Énfasis.
Test.
Ítems.
Relación ítem-test.
Sin especificar.
Curva característica del ítem.
Descripción de los Índice de dificultad. Índice de discriminaítems.
ción.
Parámetros a, b, c.
Errores de medida.
Error típico de medida (común para toda la
muestra).
Función de información (varía según el nivel
en la variable medida).
Tamaño muestral.
Puede funcionar bien con muestras entre 200 Se recomiendan más de 500 personas, auny 500 personas, aproximadamente.
que depende del modelo.
A continuación se comenta brevemente cada
uno de los aspectos diferenciales mencionados en el
cuadro.
Modelo
En la teoría clásica el modelo utilizado es lineal,
la puntuación empírica es igual a la verdadera más
el error (X = V + e), mientras que en la TRI la función que relaciona las puntuaciones empíricas con
las verdaderas es curvilínea, viene dada por el tipo
de curva adoptada por el modelo, habitualmente
logística, aunque otras muchas son posibles.
Asunciones
Las asunciones del modelo clásico son débiles
en el sentido de que son generales y es fácil que la
mayoría de los datos empíricos las cumplan; su
fuerza está en su generalidad, pues son aplicables a
situaciones muy variadas. Por el contrario, las asunciones de la TRI son más fuertes, más restrictivas,
se sacrifica la generalidad para ganar precisión predictiva. El precio a pagar es la exigencia de que los
datos cumplan supuestos muy específicos. Nótese
que el modelo lineal clásico original, denominado
«modelo clásico débil», no hace ninguna asunción
sobre las distribuciones de las puntuaciones ni de
los errores; cuando se exige que los errores se distribuyan según la curva normal, suele hablarse de modelo clásico fuerte, pero, así y todo, las asunciones
son suaves comparadas con las de la TRI. Estas
exigencias mínimas del modelo clásico constituyen
a la vez su fuerza y su debilidad; por un lado, permiten su uso en un abanico muy amplio de situaciones empíricas, lo cual está muy bien, pero, por
contra, las predicciones resultan más genéricas.
Ante la eterna disyuntiva entre generalidad y precisión, a la que toda metodología científica se enfrenta, la teoría clásica da más peso a la generalidad y
la TRI a la precisión. Ambos enfoques están condenados a entenderse en provecho de los usuarios.
Invarianza de las mediciones
El punto fuerte de la TRI frente al modelo clásico está en que permite mediciones invariantes respecto del instrumento utilizado, propiedad clave en
© Ediciones Pirámide
Teoría de respuesta a los ítems
toda medición. La teoría clásica sobrellevó este déficit en la práctica de forma digna, elaborando toda
una tecnología para equiparar las puntuaciones obtenidas con distintos instrumentos. Una buena exposición de la tecnología utilizada puede consultarse en Navas (1996). La invarianza de las mediciones
en la TRI se deriva de los modelos utilizados, pero
ello no exime de su comprobación empírica, para lo
cual se pueden utilizar distintas estrategias, como se
verá más adelante.
Invarianza de las propiedades del test
Propiedades tan importantes de un test como
el índice de dificultad de los ítems, o su índice de
discriminación, en la teoría clásica dependen de la
muestra de personas utilizadas para estimarlas.
Por ejemplo, si las personas tienen un nivel bajo
en la variable medida, la dificultad de los ítems
resultará elevada; por el contrario, si el nivel de la
muestra es alto, la dificultad de esos mismos ítems
será baja. Es decir, un mismo ítem tendría distinto
índice de dificultad en función de la muestra utilizada para calcularlo. Los usuarios de la teoría clásica disponen de una solución práctica a este problema, consistente en estimar las propiedades del
test en muestras de personas extraídas de la población con la que se va a usar, y no extender sus
propiedades más allá de esa población. En el caso
del índice de dificultad, no se hablará del índice en
general, sino del índice para determinada población. Este acercamiento es perfectamente legítimo
y correcto en la práctica, pero poco satisfactorio
desde el punto de vista teórico, pues implica asumir tantos valores para las propiedades del instrumento como posibles poblaciones de personas con
las que se utiliza.
Como ocurría con las mediciones, la invarianza
de las propiedades de los instrumentos se deriva de
los modelos de TRI, pero ha de comprobarse empíricamente. Un error muy común es pensar que estas
invarianzas se dan por arte de magia, nada más lejano de la realidad empírica; como ocurre con cualquier otro procedimiento de estimación estadística,
cuanto mayores sean la amplitud y variabilidad de
las muestras utilizadas, mayores serán la precisión
con la que se estiman los parámetros de la TRI y,
por ende, su invarianza.
© Ediciones Pirámide
/ 205
Escala de las puntuaciones
Como es bien sabido, en la teoría clásica la escala empírica de las puntuaciones va desde la puntuación mínima obtenible en el test, habitualmente
cero, hasta la máxima puntuación posible. No obstante, para facilitar la interpretabilidad de las puntuaciones, esta escala suele transformarse en otra
más comprensible, o más conveniente por las razones que sean, por ejemplo, percentiles, puntuaciones
típicas, decatipos, cocientes intelectuales, eneatipos,
etc. En la TRI también se hacen estas transformaciones de conveniencia, pero la diferencia clave es
que las puntuaciones estimadas a las personas (q)
van de menos infinito a más infinito, y en esa escala
aparecen todas las mediciones, se use el test que se
use; de ahí la mentada invarianza. Esto es muy contraintuitivo para las personas no familiarizadas con
la TRI, pues es difícil de entender que si se aplica
un test de, pongamos, 40 ítems, las puntuaciones
obtenidas por las personas estén entre – ∞ y +∞. En
la práctica esto no supone mayor problema, puesto
que las puntuaciones a los usuarios y clientes se
ofrecen transformadas en escalas fáciles de comprender.
La función que une las puntuaciones q con las
puntuaciones en la escala del test se denomina «curva característica del test».
Énfasis
El propio nombre de teoría de respuesta a los
ítems ya alude a que, bajo la óptica de la TRI, la
unidad de análisis básica es el ítem y no el test,
como ocurría en la teoría clásica. El test pasa a ser
un agregado de ítems y sus propiedades dependen
de las de estos. Puesto que cualquier agregado de
ítems (test) que se elija proporciona una medición
en la misma escala común, cuál de los posibles test
se utilice de los muchos que se pueden escoger a
partir de un banco de ítems deja de ser esencial,
pues los resultados son igualmente comparables.
Esto no era así en la teoría clásica, en la cual, para
poder comparar las mediciones de dos personas,
había que aplicarles el mismo test o dos formas paralelas. Por ejemplo, en el caso de los test adaptativos informatizados, a cada persona se le aplica un
test distinto, dependiendo de su competencia en la
variable medida, lo cual sería inconcebible desde el
206 /
Introducción a la Psicometría
punto de vista clásico, en el cual al cambiar el test
cambiaría la escala, obligando a un tedioso proceso
de equiparación de las puntuaciones obtenidas con
distintos test para la misma variable.
Relación ítem-test
En la teoría clásica, aunque sepamos la puntuación de una persona en un test, no por ello conocemos la probabilidad que tiene de acertar determinado ítem del test; el modelo no establece una conexión
formal entre la puntuación en el test y la probabilidad de superar los ítems. Por el contrario, en la TRI,
una vez definida la curva característica del ítem, si
conocemos la puntuación de una persona es inmediato el cálculo de la probabilidad que tiene de superar el ítem, es decir, la CCI conecta las puntuaciones de las personas con las probabilidades de superar
el ítem. Sin duda esta propiedad es una clara ventaja de la TRI sobre el enfoque clásico, que tendrá
consecuencias muy deseables para la construcción,
análisis y uso de los test.
de ser capaz de ofrecer errores de medida en función del nivel de las personas en la variable medida,
valiéndose de la función de información. Ello no
deja de ser cierto, pues lo habitual en la teoría clásica es ofrecer un error único y común, el error típico de medida para todas las personas de la muestra, sin tener en cuenta su nivel en la variable
medida. Pero también es verdad que ya Thorndike
(1951) propuso el cálculo del error típico de medida
para distintos niveles de competencia. Esta línea ha
seguido progresando, impulsada sobre todo por el
grupo de la Universidad de Iowa, y en la actualidad
se dispone de todo un conjunto de métodos refinados para estimar el error típico de medida a distintos niveles de la variable medida (Feldt et al., 1985;
Feldt y Qualls, 1996; Lord, 1984; Qualls, 1992).
Justo es reconocer que el enfoque clásico también
sabía cómo tratar con los errores para distintos niveles de la variable medida, pero la elegancia conceptual y formal de la función de información de la
TRI supera con creces en este punto al enfoque clásico.
Tamaño muestral
Descripción de los ítems
Los dos índices utilizados más frecuentemente
para describir los ítems dentro del marco clásico
son el índice de dificultad y el de discriminación.
Ambos resultan dependientes de la muestra en la
que se calculan, mientras que los parámetros a, b y
c utilizados en la TRI son invariantes respecto de la
muestra utilizada para estimarlos. Una propiedad
del parámetro de dificultad b, que tendrá ventajas
muy notables, es que viene expresado en la misma
métrica que las puntuaciones q de las personas.
Errores de medida
Una de las grandes ventajas que siempre ha reclamado la TRI frente al modelo lineal clásico es la
Para estimar con precisión los parámetros de los
ítems y la puntuación de las personas, la TRI necesita muestras muy amplias, puede decirse que a partir de 500 personas, aunque es un número orientativo. Esto no supone mayor problema para las grandes
agencias y compañías administradoras de test, pero
para los profesionales de a pie puede constituir un
inconveniente serio. Aquí el modelo clásico recupera
terreno otra vez, pues funciona razonablemente bien
con muestras bastante menores, en torno a 200.
Conviene, por tanto, señalar de nuevo que la combinación de ambos acercamientos, clásico y TRI, en
función de las circunstancias, parece lo más recomendable, como así sucede habitualmente en la
práctica.
EJERCICIOS
1. Señale cuáles de las siguientes características corresponden a la teoría clásica (TC) y cuáles a
la teoría de respuesta a los ítems (TRI).
1.Establece un modelo lineal.
2.Los datos cumplen fácilmente los supuestos
del modelo.
© Ediciones Pirámide
Teoría de respuesta a los ítems
3.Existe invarianza de las mediciones respecto
del test utilizado.
4.Las propiedades del test predominan sobre
las de los ítems.
5.Establece el mismo error típico de medida
para toda la muestra.
6.Se especifica la relación entre cada ítem y el
test.
2. Se aplicó una prueba de inteligencia de cuatro ítems a una muestra de 400 personas. Mediante
el programa BILOG se estimaron los valores de los
parámetros a, b y c de cada uno de los ítems, obteniendo los siguientes resultados:
Ítems
a
b
c
1
2
3
4
1,6
0,5
1,2
1,0
1,0
0,0
1,5
–0,5
0,00
0,00
0,20
0,25
1.¿Qué modelo se utilizó para estimar los parámetros de los ítems? Razone la respuesta.
/ 207
2.¿Cuál es el ítem más difícil?
3.¿Cuál es el ítem más fácil?
4.¿Cuál es el ítem que es más probable que
acierte una persona con inteligencia baja
que responde al azar?
5.Represente gráficamente las curvas características de los cuatro ítems.
6.Calcule la probabilidad que tienen las personas con una puntuación q = 2 de superar cada uno de los ítems.
7.Calcule la probabilidad de que las personas con una puntuación q = 2 superen todos los ítems del test.
8.¿Con qué ítems funcionaría mejor el modelo logístico de dos parámetros?
9.¿Cuál de los ítems resultaría más fácil
para una persona cuya puntuación en la
variable medida q fuese –0,5? ¿Qué probabilidad tendría esa persona de fallar dicho
ítem?
10.¿Cuál es la probabilidad de que la persona
del apartado anterior (q = –0,5) supere al
menos tres de los ítems?
SOLUCIONES
1.1.
2.
3.
4.
5.
6.
2.1.
2.
TC
TC
TRI
TC
TC
TRI
3-p
3
4. APLICACIÓN DE LOS MODELOS
Para utilizar en la práctica los modelos unidimensionales descritos hay que empezar por comprobar que los ítems constituyen una sola dimensión,
tal como exigen los modelos. Una vez comprobado,
hay que elegir el modelo a utilizar, luego estimar el
valor de parámetros y finalmente comprobar que el
modelo estimado se ajusta a los datos empíricos,
pues a la postre serán estos el criterio último que
© Ediciones Pirámide
3.
4.
6.
7.
8.
9.
10.
4
4
0,94, 0,85, 0,79, 0,99
0,62
1, 2
4; 0,37
0,06
nos haga aceptar o rechazar el modelo. Se expone a
continuación la lógica de cada uno de estas fases de
la aplicación de los modelos.
4.1. Comprobación de la unidimensionalidad
Como ya se ha señalado anteriormente, para
que se puedan aplicar los modelos básicos de la
TRI los ítems del test deben ser unidimensionales;
208 /
Introducción a la Psicometría
por tanto, antes de utilizar uno de estos modelos
hay que comprobar la unidimensionalidad. Para
comprobar que un conjunto de ítems constituye
una sola dimensión existen de antiguo diversas alternativas, habiéndose propuesto numerosos índices
al respecto. Hattie (1985), en un buen análisis y clasificación de ellos, da cuenta de ochenta y siete distintos. Estudios comparativos pueden verse en
Hambleton y Rovinelli (1986), Hattie (1984) o
Zwick y Velicer (1986), y un buen tratamiento puede consultarse en Wells, Rios y Faulkner-Bond
(2016), Swaminathan, Hambleton y Rogers (2007),
Tate (2003), Svetina y Levy (2014), y en castellano
Cuesta (1996).
Veamos algunas posibilidades de comprobar la
unidimensionalidad, empezando por el método más
clásico: el análisis factorial exploratorio (AFE). Es
uno de los métodos tradicionalmente más utilizado,
y si bien hoy existen métodos más eficaces, conviene
conocer la lógica que subyace a este método que ha
teñido la historia de la psicología. Dado que empíricamente raras veces, si alguna, se encuentra una
unidimensionalidad perfecta, esto es, que un solo
factor dé cuenta de un 100 por 100 de la varianza
de los ítems, la unidimensionalidad se convierte en
una cuestión de grado, es decir, siempre habrá más
o menos unidimensionalidad, por lo que el problema será dónde establecer el punto de corte para
asegurar que un conjunto de datos son unidimensionales. Lumsden (1961), por ejemplo, propone
como índice de unidimensionalidad el cociente entre la varianza explicada por el primer factor y la
explicada por el segundo, pero como bien señala
Lord (1980), se necesitan procedimientos estadísticos más rigurosos. Un criterio práctico para decidir
sobre la unidimensionalidad podría ser el sugerido
por el propio Lord (1980) de extraer las raíces latentes de la matriz de correlaciones tetracóricas entre los ítems, con las comunalidades en la diagonal,
y, si la primera raíz latente es «notablemente» superior a la segunda y esta no difiere «mucho» del resto, los ítems pueden considerarse aproximadamente
unidimensionales. Por su parte, la varianza explicada por el primer factor es un indicador clásico y
muy intuitivo de la unidimensionalidad, pues muestra en qué grado la reducción de datos obtenida (se
pasa de n ítems a un factor) aún explica una parte
importante de la varianza original explicada por los
n ítems. La pregunta de fondo es ¿cuánta varianza
estamos dispuestos a sacrificar para pasar de n
ítems a un solo factor o dimensión? Para tomar esa
decisión hay que apoyarse en dos pilares: por un
lado, en la teoría sustantiva que guía nuestro trabajo, y por otro, en criterios estadísticos rigurosos. Es
la combinación prudente de estos dos criterios la
que debe guiarnos, ninguno de los dos por sí solo
es suficiente. Los trabajos de Ferrando y Anguiano
(2010), Izquierdo, Olea y Abad (2014), Lloret-Segura, Ferreres-Traver, Hernández-Baeza y TomásMarco (2014) nos dan indicaciones muy pertinentes
para determinar el número de factores, y por ende
para evaluar la unidimensionalidad de los ítems.
En cuanto al software, el programa FACTOR es
altamente recomendable por su flexibilidad, facilidad de uso y acceso libre (Ferrando y Lorenzo-Seva,
2017). Por su parte, Deng y Hambleton (2007) revisan nada menos que veinte programas informáticos
para evaluar la dimensionalidad de unos datos, cada
uno de ellos con sus pros y sus contras, de modo que
hay donde elegir. Un aspecto relativamente tranquilizador a la hora de utilizar modelos de TRI con
datos no estrictamente unidimensionales es que los
estudios de simulación indican que los modelos son
robustos a violaciones moderadas de la unidimensionalidad (Ansley y Forsyth, 1985; Cuesta, 1996;
Drasgow y Parsons, 1983; Greaud, 1988; Harrison,
1986; Muñiz y Cuesta, 1993; Reckase, 1979; Yen,
1984). En general, como es lógico, el deterioro del
funcionamiento de los modelos se acrecienta a medida que se va deteriorando la unidimensionalidad.
Una advertencia final: si se utiliza el AFE lineal con
datos categóricos, lo cual es muy habitual en la historia de la psicología y otras ciencias, hay que ser
muy prudentes a la hora de interpretar los resultados, debido a los llamados «factores de dificultad»
que se generan. En esas circunstancias, mejor usar
otras alternativas. Siguiendo las sabias palabras de
Box y Draper (1987), bien podría decirse aquí que
en esencia todos los modelos son erróneos, pero que
algunos resultan útiles.
El análisis factorial confirmatorio (AFC) es una
opción más aconsejable que el AFE a la hora de
evaluar la unidimensionalidad de unos datos
(Brown, 2006; Kline, 2015). Tiene ventajas sobre el
AFE, entre otras, que permite establecer especificaciones a priori, sobre la estructura dimensional de
los datos, basándose en las teorías sustantivas que
se manejen y en los resultados previos. Si se somete
© Ediciones Pirámide
Teoría de respuesta a los ítems
a prueba la unidimensionalidad de unos ítems mediante AFC, existen distintos indicadores para
comprobar el ajuste obtenido (Ferrando y Anguiano, 2010; Hu y Bentler, 1999) y tomar la decisión al
respecto. Nótese que como bien señalan Ferrando
y Anguiano (2010), el AFE y el AFC no son categorías conceptuales distintas, más bien constituyen
los dos polos de un continuo exploratorio-confirmatorio, con muchas opciones intermedias, una situación análoga al continuo unidimensionalidadmultidimensionalidad. En realidad, permítasenos la
licencia, todas las dicotomías, o casi todas, son meras simplificaciones de un mundo en el que reinan
el continuo y la probabilidad.
Otra posibilidad para evaluar la unidimensionalidad es utilizar el modelo bifactorial (MB), en el
cual cada indicador, los ítems en el caso de un test,
satura en un factor general y en uno, y solo uno,
específico (Chen, Hayes, Carver, Laurenceau y
Zhang, 2012; Jennrich y Bentler, 2011; Reise, 2012;
Wells y Faulkner-Bond, 2016). Incluso cabe una
aproximación no paramétrica, como el procedimiento DIMTEST (Hattie, Krakowski, Rogers y
Swaminathan, 1996; Stout, 1987; Van Abswoude,
Van der Ark y Sijtsma, 2004), o el método DETECT (Gierl, Leighton y Tan, 2006; Stout el al.,
1996; Svetina, 2013; Zhang y Stout, 1999).
Al lado de estos indicadores se han propuesto
otros muchos complementarios para evaluar la independencia local, que como se ha señalado viene
implícita si demostramos previamente la unidimensionalidad. Los interesados pueden acudir al clásico
de Yen (1984), o a los trabajos de Chen y Thissen
(1997), Ip (2001), Levy, Mislevy y Sinharay (2009)
o Liu y Maydeu (2013).
En suma, existen muchas opciones y el software
correspondiente para evaluar en qué medida los
ítems de un test constituyen una sola dimensión y
por tanto son susceptibles de ser analizados mediante un modelo de TRI que asuma la unidimensionalidad. Dado que en la práctica nunca vamos a
encontrar una unidimensionalidad pura, es importante combinar los métodos estadísticos utilizados
con los criterios y conocimientos derivados del
campo sustantivo en el que se trabaja. Los conocimientos teóricos y los métodos estadísticos deben ir
de la mano a la hora de la toma de decisiones, tanto en lo relativo a la unidimensionalidad que nos
ocupa ahora como en otros aspectos. Los investiga© Ediciones Pirámide
/ 209
dores y los profesionales deben apoyarse en una instrumentación metodológica rigurosa y hacer acopio
del mayor número posible de evidencias empíricas,
pero al final las decisiones no se delegan en las técnicas utilizadas, hay que tomarlas y correr riesgos,
confiando en que al final la ciencia convergerá hacia
la verdad a base de iteraciones sucesivas llevadas a
cabo por investigadores independientes.
4.2. Elección del modelo
Supuesto que los ítems conforman un test unidimensional, el siguiente problema es qué modelo de
TRI es más razonable utilizar. En primer lugar, señalar que cualquier elección a priori es lícita para el
investigador, y que será el ajuste del modelo a los
datos el que decida lo correcto o incorrecto de la
elección. No obstante, ciertas características de los
ítems pueden proporcionar algunas claves que mejoren la mera elección al azar o capricho. Por ejemplo,
es poco razonable intentar ajustar el modelo de un
parámetro (Rasch) si se sospechan índices de dis­
criminación no iguales, lo cual puede evaluarse tentativamente escrutando dichos índices en la teoría
clásica, o si la probabilidad de acertarlos al azar es
considerable. En ambos casos es desaconsejable a
priori un modelo de un parámetro, que, como se ha
visto, asume un índice de discriminación constante
para todos los ítems (a = K ) y la inexistencia de
aciertos al azar (c = 0). Asimismo, si c ≠ 0, el modelo
de dos parámetros es igualmente poco plausible a
priori. Nótese que cuando los ítems son de elección
múltiple, siempre existe cierta probabilidad de aciertos al azar. Por ejemplo, en el caso de cuatro alternativas con solo una correcta, la probabilidad de acierto al azar, aun sin saber nada, es de 1/4 = 0,25, que,
aunque no es estrictamente equivalente al parámetro
c, no deja de ser una buena aproximación. Teóricamente, el modelo de tres parámetros debería ser preferible a los de uno y dos, ya que constituyen casos
particulares de aquel, pero, por contra, el de un parámetro es de cálculo e interpretación sencillos, por
lo que en la práctica es el preferido de los usuarios.
Incluso es atractivo desde el punto de vista teórico
por su parsimonia, al postular que la respuesta de
una persona a un ítem solo depende de la competencia de esa persona en la variable medida por el ítem
(q) y de la dificultad del ítem (b). Además, la estima-
210 /
Introducción a la Psicometría
ción del parámetro c en el modelo de tres parámetros
no está lo bien resuelta que sería de desear. En todo
caso, no olvidar que los jueces han de ser los datos,
eligiéndose aquel modelo que mejor dé cuenta de
ellos, preferencias aparte, y, eso sí, en caso de ajustes
similares escójase el más sencillo, como mandan los
cánones de la parsimonia científica y el sentido común. Elegido el modelo, a continuación han de estimarse los parámetros de los ítems y la competencia de
cada persona en la variable medida (q). Finalmente,
habrá que comprobar que el modelo con los parámetros así estimados se ajusta a los datos empíricos generados por las personas al responder a los ítems.
4.3. Estimación de los parámetros
Seleccionado uno de los modelos, el paso siguiente será estimar los parámetros de cada ítem y
el valor de la variable medida (q) para cada persona
a partir de los datos obtenidos al aplicar los ítems
a una muestra amplia de personas. Por tanto, la
aplicación de los ítems a una muestra representativa
precede a la estimación. Con los datos obtenidos,
esto es, con las respuestas empíricas de las personas
a los ítems, se lleva a cabo la estimación, cuya lógica general consiste en elegir como valores para los
parámetros aquellos que maximicen la probabilidad
de que ocurran los datos que de hecho se han dado
en las respuestas de las personas. Para hacerse una
idea elemental y aproximativa de la lógica, imagínese que se dispone de una moneda lastrada de la que
se desconoce la probabilidad de obtener cara y cruz
(no conocemos esos dos parámetros). Llevamos a
cabo el experimento de recogida de datos tirándola
al aire 1.000 veces, obteniendo 700 caras y 300 cruces. Pues bien, el valor de la probabilidad de obtener cara que hace más verosímil lo ocurrido es
700/1.000 = 0,70; por tanto, estimamos que el valor
(desconocido) de obtener cara con esa moneda es
0,70, según los datos. Este método de estimación se
denomina «máxima verosimilitud», en referencia
precisamente a que los valores estimados son aquellos que hacen más verosímiles, más plausibles, los
datos obtenidos. No obstante, otros métodos son
posibles (Lord, 1986; Swaminathan, 1983).
La estimación se va haciendo por aproximaciones
sucesivas (iteraciones) y su cálculo es muy laborioso,
por lo que es necesaria la ayuda de los ordenadores.
El proceso de iteraciones se detiene cuando los valores estimados de los parámetros convergen, esto es,
cuando tras una iteración n no se producen cambios
significativos en los valores estimados. En la actualidad se dispone de distintos programas informáticos
para la estimación de los parámetros (véase el cuadro
adjunto, en el que se presentan algunos de ellos). La
mayoría de los programas ofrecen como salida fundamental los valores estimados de los parámetros de
cada ítem y el valor de q de cada persona, aparte de
otros datos importantes como el funcionamiento diferencial de los ítems, la función de información o la
curva característica del test, entre otros.
Una forma típica de comprobar lo adecuado de
estos programas para estimar los parámetros es mediante simulación por ordenador. Para ello se generan (simulan) las respuestas de las personas a los
ítems a partir de parámetros conocidos y luego se
les aplica el programa correspondiente, comprobándose en qué grado dicho programa recupera (estima) los parámetros previamente conocidos a partir
de los cuales se generaron los datos. Nótese que, mediante esta lógica, lo único que se confirma o falsea
es el método de estimación de los parámetros implementado en el programa de ordenador, paso previo
a los estudios de validación empírica de los modelos.
Exposiciones detalladas sobre la estimación de
los parámetros pueden consultarse en Baker (1987),
Birnbaum (1968), Lord (1980) o Swaminathan (1983),
siendo especialmente recomendable la de Hambleton
y Swaminathan (1985) por su claridad y utilización
de ejemplos numéricos sencillos que ayudan a la comprensión. Aquí, basándonos en los trabajos de los
autores citados, nos limitaremos a dar una idea introductoria que permita al lector captar la lógica del
proceso y acudir seguidamente a las fuentes citadas para un mayor detalle y profundización. Hambleton et al. (1991) y Zhao y Hambleton (2009) ofrecen
una excelente clasificación de los programas de ordenador disponibles, analizando sus objetivos, características, pros y contras; para software no comercial,
véase Deng (2009). Una buena presentación del software R de libre acceso para psicometría puede verse
en el monográfico de la revista Journal of Statistical
Software (Leew y Mair, 2007), y en español el trabajo
de Elosua (2009) constituye una buena introducción
a R.
En el cuadro adjunto se reseñan algunos de los
programas más relevantes junto con sus autores.
© Ediciones Pirámide
Teoría de respuesta a los ítems
/ 211
Algunos programas informáticos para estimar los parámetros de los modelos
Programa
BIGSTEPS
BILOG
BILOG-MG
ConQuest
DIMENSION
flexMIRT
IRTPRO
LOGIST
MICROSCALE
MIRTE
MULTILOG
NOHARM
PARSCALE
PML
RASCAL
RIDA
RUMM2030
Software libre R
WinGen
WinSteps
XCALIBRE
Modelos
Modelo de Rasch y derivados
1p, 2p, 3p
1p, 2p, 3p, DIF y equiparación
1p, multicategorial, multidimensional
Multidimensional
Multidimensional
1p, 2p, 3p, multicategorial
1p, 2p, 3p
Multicategorial (lp)
1p, 2p, 3p
Multicategoria1
1p, 2p, 3p, multidimensional
1P, 2P, 3P, multicategorial
1p
1p
1p
1p, 2p, 3p, multicategorial
1p, 2p, 3p, multicategorial
Generar datos TRI
Modelo de Rasch y derivados
1p, 2p, 3p
Estimación condicional y estimación conjunta
Como ya se ha señalado, los valores estimados
para los parámetros por el método de máxima verosimilitud serán aquellos que maximicen la probabilidad de ocurrencia de los datos obtenidos al aplicar los ítems a las personas. Si se dispusiera de una
función matemática que «representase» dichas respuestas, el problema se reduciría a hallar los máximos de la función y adoptar como valores de los
parámetros aquellos que correspondiesen a los puntos donde la función tuviese los máximos, esto es,
aquellos que maximizan la función. Veamos cómo
se procede para generar esta función.
Supóngase un ítem con una determinada CCI, la
cual proporciona la probabilidad que las personas
con determinado valor en q tienen de acertar el ítem.
La variable Ui, «respuesta a un ítem», solo tiene dos
valores: o se acierta, en cuyo caso ui = 1, o se falla,
ui = 0. Precisamente, la CCI informa de la probabilidad de acierto y de fallo para un valor dado de q:
P(Ui = 1 θ ) = P(θ ) y P(Ui = 0 θ ) = Q(θ ) = 1 – P(θ )
© Ediciones Pirámide
Fuente
Linacre y Wright (1998)
Mislevy y Bock (1984)
Zimowski, Muraki, Mislevy y Bock: http://www.ssicentral.com
Adams, Wu y Wilson (2015)
Hattie y Krakowski (1994)
Cai (2013)
Cai, Thissen y Du Toit (2011)
Wingersky (1983). Wingersky et al. (1982)
Mcdiax Interactivc Technologies (1986)
Carlson (1987)
Thissen, Chen y Bock: http://www.ssicentral.com
Fraser y McDonald (1988)
Muraki y Bock (1991): http://www.ssicentral.com
Gustafsson (1980)
Assessment System Corporation: http://www.assess.com
Glas (1990)
Andrich y Luo: http://www.rummlab.com.au/
R Core Team (2014)
Han (2007): http://www.hantest.net/wingen
Linacre (2015): http://www.winsteps.com
http://www.assess.com
Véase ilustrado en la figura 7.10 para una CCI.
La probabilidad de acertar este ítem para las
personas con q = 2 es 0,88, esto es:
P(Ui = 1 θ = 2) = 0,88
y la de fallarlo:
P(Ui = 0 θ = 2) = 1 – 0,88 = 0,12
Nótese que esa es la probabilidad; otra cuestión
es cuál será de hecho la respuesta de cada persona
al ítem para ese nivel de q: unos lo acertarán y otros
lo fallarán; a pesar de la baja probabilidad de que
esto ocurra, a la larga se espera que lo acierten el
88 % y lo fallen el 12 %.
Ahora bien, la respuesta a un ítem para un determinado nivel de q es una prueba de Bernoulli;
por tanto:
P(Ui θ ) = P(Ui = 1 θ )Ui P(Ui = 0 θ )(1 –Ui )
212 /
Introducción a la Psicometría
1,00
0,80
P(q)
0,60
0,40
0,20
0,00
–3
–2
–1
0
1
2
3
4
5
6
q
Figura 7.10.—Curva característica de un ítem que ilustra la probabilidad de acertar y fallar el ítem para los distintos valores
de q, y en especial para q = 2.
y sustituyendo:
P(Ui θ ) = [P(θ )]Ui [Q(θ )](1 –Ui )
[7.12]
que no es otra cosa que un modo formalizado de
expresar lo dicho. En efecto, para el caso anterior
en el que P(q) = 0,88 y Q(q) = 0,12, la probabilidad
de acertar el ítem viene dada por:
P(Ui = 1 θ = 2) = (0,88)1 (0,12)(1 – 1) = 0,88
y la de fallarlo por:
P(Ui = 0 θ = 2) = (0,88)0 (0,12)(1 – 0 ) = 0,12
Ahora bien, un test estará compuesto por n
ítems, por lo que la probabilidad de que se produzca un determinado patrón de respuestas vendrá
dada por el producto de las probabilidades, puesto
que se asume su independencia (independencia local). Por ejemplo, en un test con cinco ítems la probabilidad de que al nivel q = 2 se dé el patrón de
respuestas 11010 será:
P1 (θ )P2 (θ )Q3 (θ )P4 (θ )Q5 (θ )
donde los subíndices indican los ítems correspondientes, y P(q) y Q(q), los valores correspondientes
a las CCI de los cinco ítems para ese nivel de q.
Todo lo cual puede expresarse formalmente:
n
L(u1 , u2 , u3 ,..., un θ ) = ∏ [Pi (θ )]Ui [Qi (θ )](1– ui ) [7.13]
i =1
expresión que se denomina «función de verosimilitud». Los valores de Pi(q) y Qi(q) vienen dados por
las CCI y, por tanto, variarán según el modelo de
TRI con el que se trabaje.
Si se conocen los parámetros de los ítems, es
relativamente fácil estimar el valor de q de la persona. Este caso se presentaría cuando se dispone de
un banco de ítems calibrados (con parámetros ya
estimados) y se desea estimar la competencia de
una persona. No obstante, no conviene perder de
vista que el problema central de la estimación consiste en estimar conjuntamente los parámetros desconocidos de los ítems y la puntuación q de cada
persona a partir de las respuestas a los ítems, siéndonos todo ignoto salvo las respuestas empíricas de
las personas. Sí que tiene interés ilustrativo asumir
por un momento que se conocen los parámetros de
los ítems, pudiendo hallarse bajo tal asunción los
© Ediciones Pirámide
Teoría de respuesta a los ítems
/ 213
difiere significativamente del obtenido en la iteración K – 1.
Para N personas y n ítems, la función de verosimilitud vendrá dada por:
valores de la función de verosimilitud L(u | q) para
los distintos valores de q, sustituyéndolos sucesivamente. Se tomará como estimación de la q de la
persona aquel valor de q para el cual L(u | q) tenga
un máximo.
En la figura 7.11 se estimaría a la persona considerada una q = –1, que es donde la función L(u | q)
tiene su máximo.
En vez de trabajar con L(u | q), se suele hacer
con su logaritmo, lo cual no altera el valor estimado
de q y tiene la ventaja operativa de convertir el producto en sumas:
L(u θ ) =
N
n
∏ ∏ [Pia (θ )]u
ia
a =1 i =1
[Qia (θ )](1 – uia )
[7.14]
o en forma logarítmica:
N
ln [L(u θ )] =
n
∑ ∑ [uia ln Pia (θ ) +
a =1 i =1
n
ln [L(u θ )] = ∑ [ui ln Pi (θ ) + (1 – ui ) lnQi (θ )]
+ (1 – uia ) ln{1 – Pia (θ )}]
[7.15]
i =1
Los estimadores de máxima verosimilitud de q
para las N personas se obtendrán resolviendo
[d ln L/dqa] = 0 para cada qa. Desarrollando, esta
expresión puede explicitarse para los modelos logísticos (véase, por ejemplo, Hambleton y Swaminathan, 1985) del siguiente modo:
Para hallar el máximo se iguala la primera derivada (aquí respecto de q) a cero: d ln [L(u | q)]/
d(q) = 0 y el valor de q será el obtenido al resolver
esta ecuación llamada «ecuación de verosimilitud».
Esta ecuación es generalmente no lineal y no puede
resolverse analíticamente, por lo que han de emplearse procedimientos numéricos, siendo el más
habitual el de Newton-Raphson, mediante el cual se
llevan a cabo estimaciones sucesivas de q (iteraciones) hasta que se produce la convergencia, esto es,
hasta que el valor estimado en la iteración K no
Modelo logístico de un parámetro
n
i =1
i =1
∑ Duia – ∑ DPia (θ ) = 0
L(m|q)
∂ ln L/∂θ a ≡
n
–3,0
–2,0
–1,0
0,0
1,0
q
Figura 7.11.—Función de verosimilitud.
© Ediciones Pirámide
2,0
3,0
[7.16]
214 /
Introducción a la Psicometría
Modelo logístico de dos parámetros
n
∂ ln L/∂θ a ≡
∑ Dai uia –
i =1
n
∑ Dai Pia (θ ) = 0
[7.17]
i =1
Modelo logístico de tres parámetros
donde P es el vector de parámetros a estimar,
P′ = [q, a, b, c] y K el número de estos. Hambleton y
Swaminathan (1985, p. 132) ofrecen los valores de
esta expresión para el modelo logístico de tres parámetros:
[Dai {Pia (θ ) – ci }(uia )]
–
Pia (θ )(1 – ci )
i =1
∑
∂ ln L/∂bi =
–Dai
1 – ci
[Pia (θ ) – ci ][uia – Pia (θ )]
Pia (θ )
a =1
1
1 – ci
N
∂ ln L/∂ci =
n
–
[Dai {Pia (θ ) – ci }Pia (θ )]
Pia (θ )(1 – ci )
i =1
∑
[7.18]
La estimación de q así realizada suele denominarse «estimación condicional de máxima verosimilitud», aludiendo lo de condicional a que la estimación está condicionada al conocimiento previo de los
parámetros de los ítems. Ahora bien, en la situación
real más frecuente se desconocen los parámetros de
los ítems, que habrá que estimar conjuntamente con
los valores de q para cada persona, denominándose
«estimación conjunta de máxima verosimilitud». Los
parámetros a estimar serán (n + N ) en el modelo logístico de un parámetro, es decir, el parámetro b para
cada uno de los ítems, lo que hace n parámetros, más
un parámetro q para cada una de las N personas. En
el modelo de dos parámetros, los parámetros a estimar serán (2n + N ) y en el tres (3n + N ). La lógica
de la estimación sigue siendo la misma, se elegirán
como estimaciones aquellos valores de los parámetros que conjuntamente maximicen la función:
N
n
L(u θ , a, b, c) = ∏ ∏ [Pia (θ )]uia [Qia (θ )](1– uia )
[7.19]
a =1 i =1
o en forma logarítmica:
N
ln L(u θ , a, b, c) =
n
∑ ∑ [uia ln Pia (θ ) +
a =1 i =1
+ (1 – uia ) ln Qia (θ )]
∑
N
∑
[uia – Pia (θ )]
Pia (θ )
a =1
∑
n
ai [Pia (θ ) – ci ][uia – Pia (θ )]
(1 – ci )Pia (θ )
i =1
∂ ln L/∂θ a = D ∑
En el caso de estimación condicionada, las ecuaciones se resolvían una a una, independientemente,
pero aquí ha de hacerse conjuntamente, por lo que
se requiere la utilización de un tratamiento multivariado del procedimiento de Newton-Raphson. La
estimación se lleva a cabo en dos pasos: primero se
estiman las puntuaciones q de las personas, según lo
expuesto en el caso condicionado, tomando los parámetros de los ítems como conocidos y asignándoles un valor inicial. Las q estimadas se asumen conocidas y en un segundo paso se estiman los parámetros
de los ítems. Ambos se repiten hasta obtener una
convergencia conjunta y los valores con los que, finalmente, se logra la convergencia se toman como
los estimadores de máxima verosimilitud.
Cabe señalar, finalmente, que, además del tipo de
estimaciones aquí reseñadas de máxima verosimilitud, cada vez cobran más fuerza las aproximaciones
bayesianas, las cuales al incorporar distribuciones a
priori permiten una mejor estimación de los parámetros (Gifford y Swaminathan, 1990; Lord, 1986; Mislevy, 1986; Swaminathan, 1983; Swaminathan y
Gifford, 1982, 1985, 1986; Tsutakawa y Lin, 1986).
[7.20]
De nuevo, para hallar las estimaciones de q, a,
b y c que maximicen la función L hay que resolver:
[∂ ln L/∂PK] = 0
(θ a – bi )[Pia (θ ) – ci ][uia – Pia (θ )]
Pia (θ )
a =1
D
1 – ci
n
∂ ln L/∂θ a ≡
N
∂ ln L/∂ai =
4.4. Ajuste del modelo
Una vez estimados los parámetros del modelo,
hay que comprobar en qué grado los resultados pronosticados con esos valores coinciden con los obte© Ediciones Pirámide
Teoría de respuesta a los ítems
nidos de hecho; en otras palabras, hay que comprobar el ajuste del modelo a los datos. Si tal ajuste se
produce, ello quiere decir que los valores de P(q) pronosticados por el modelo no difieren estadísticamente de los obtenidos empíricamente, es decir, la proporción de personas que de hecho aciertan el ítem.
Existen varios procedimientos estadísticos para
la comprobación del ajuste, si bien ninguno de ellos
es totalmente satisfactorio. Buenos tratamientos
pueden consultarse en Orlando y Thissen (2000),
Stone y Zhang (2003) o Haberman, Sinharay y
Chon (2013). Para una aproximación no paramétrica, véanse Douglas y Cohen (2001), Wells y Bolt
(2008), Liang y Wells (2009), Liang, Wells y Hambleton (2014) o Wells, Rios y Faulkner-Bond (2016).
En español, López Pina e Hidalgo (1996).
Aquí se ilustrará con fines didácticos la lógica
del ajuste mediante el uso de chi-cuadrado, el análisis de los residuos y la comparación de las distribuciones de las puntuaciones.
Chi-cuadrado
La lógica general de las técnicas basadas en chicuadrado consiste en comparar los valores pronosticados por el modelo con los obtenidos empíricamente. Para ello se divide el rango de la variable
medida q en varias categorías y se comparan los
valores pronosticados y empíricos para cada categoría. En el caso de ajuste perfecto, ambos valores
coincidirán en todas las categorías; a medida que
aumentan las diferencias, el ajuste es peor. Precisamente lo que nos indicará chi-cuadrado es si esas
diferencias son estadísticamente significativas. Aquí
se ilustrarán el estadístico Q2 propuesto por Wright
y Panchapakesan (1969) para el modelo logístico de
un parámetro y el estadístico Q1 de Yen (1981) aplicable a cualquiera de los tres modelos logísticos.
Wright y Panchapakesan (1969) propusieron un
estadístico sencillo para comprobar el ajuste de los
modelos a los datos, cuya distribución se aproxima
a la de Q2:
k
Q2 =
∑
j =1
n j [P(θ j ) – Pe (θ j )]2
[P(θ j )][1 − P(θ j )]
[7.21]
k:Número de categorías en las que se divide q.
© Ediciones Pirámide
/ 215
nj:Número de personas dentro de cada categoría.
P(qj):Valor de la CCI dado por la fórmula del
modelo con los parámetros estimados,
para la categoría j.
Pe(qj):Proporción de personas que, de hecho
(empíricamente), superan el ítem para
una categoría determinada j.
Q2:Se distribuye según c2 con k – 1 grados
de libertad.
Ejemplo
En una muestra de 1.000 personas se estimó
mediante un programa que el modelo que mejor se
ajustaba a los datos obtenidos al aplicar un test de
20 ítems era el logístico de un parámetro. En concreto, para el ítem 10 el programa asignó b = 2. El
número de personas que acertaron el ítem 10 para
las categorías en las que se dividió q aparecen en la
tabla adjunta. A la vista de los resultados, ¿puede
afirmarse al nivel de confianza del 99 % que el modelo se ajusta a los datos para el caso del ítem 10?
qfl
nj
Pe(qj)
4-5
3-4
2-3
1-2
0-1
70
90
200
300
340
0,97
0,95
0,70
0,35
0,10
1.000
Para poder aplicar la fórmula propuesta hay
que obtener previamente los valores de P(qj) dados
por el modelo. Recuérdese que el modelo logístico
de un parámetro viene dado por:
Pi (θ ) =
e D(θ – bi )
1 + e D(θ – bi )
Sustituyendo los valores correspondientes al
ítem 10 (b = 2):
P(θ ) =
e D(θ – 2 )
1 + e D(θ – 2 )
216 /
Introducción a la Psicometría
2
Ahora bien, en las tablas c 0,99
, con k – 1 = 5 – 1 =
= 4 grados de libertad es igual a 13,28; por tanto,
al nivel de confianza del 99 % se admite (no se puede rechazar) que el modelo así estimado se ajusta a
los datos para el ítem 10.
En la figura 7.12 aparecen representados los valores P(qj) pronosticados por el modelo y los obtenidos empíricamente Pe(qj).
Nótese que propiamente los valores de q generados por el programa utilizado son estimaciones
de q, de ahí el «sombrero» (q§), los verdaderos valores de q no se conocen. Sobre la métrica de q se
hablará más adelante; de momento se ha prescindido de los valores negativos por sencillez.
como D = 1,7 y e = 2,72:
P(θ ) =
(2,72)(1,7 )(θ – 2 )
1 + (2,72)(1,7 )(θ – 2 )
Sustituyendo q por los valores centrales de las
categorías en las que se dividió q§, se obtienen los
correspondientes P(qj):
qfl
P(qj)
4,5
3,5
2,5
1,5
0,5
0,99
0,92
0,70
0,30
0,07
CASO DE N ÍTEMS
Aplicando la fórmula:
Q2 =
Si se desea someter a prueba el ajuste del modelo no para un ítem determinado, como en el caso
anterior, sino para los n ítems que componen el test
conjuntamente, y obtener así una idea global del
funcionamiento del modelo, los autores citados
(Wright y Panchepakesan, 1969) proponen un estadístico generalización del anterior:
340(0,07 – 0,10)2 300(0,30 – 0,35)2
+
+
(0,07)(1 – 0,07)
(0,30)(1 – 0,30)
+
200(0,70 – 0,70)2 90(0,92 – 0,95)2
+
+
(0,70)(1 – 0,70)
(0,92)(1 – 0,92)
70(0,99 – 0,97)2
=
(0,99)(1 – 0,99)
= 4,70 + 3,57 + 0,00 + 1,10 + 2,83 = 12,2
+
k
Q2T =
1,00
Pe(qj)
n
∑∑
j =1 i =1
n j [P(θ ji ) – Pe (θ ji )]2
P(θ ji )[1 − P(θ ji )]
[7.22]
P(qj)
0,80
P(q)
0,60
0,40
0,20
0,00
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
4,00
4,50
q
Figura 7.12.—Valores pronosticados por el modelo y valores empíricos obtenidos.
© Ediciones Pirámide
Teoría de respuesta a los ítems
donde todos los términos son idénticos a los ya citados, n es el número de ítems y Q2T se distribuye
según c 2 con (k – 1)(n – 1) grados de libertad. Se trata, por tanto, de realizar el mismo proceso anterior
para cada ítem, sumar los resultados y contrastarlos
con el c 2 crítico de las tablas. Afortunadamente, este
y otros métodos de ajuste son proporcionados por
los programas informáticos, y la única finalidad de
nuestro ejemplo es eso, ejemplificar la lógica del procedimiento.
Cabe preguntarse cuál es el número más adecuado de categorías en el que ha de dividirse q. No
hay una respuesta definitiva, siendo frecuente utilizar entre 10 y 15. En el modelo de Rasch, dado que
a cada puntuación empírica se le estima una q, si se
dispone de un número elevado de personas, es razonable hacer una categoría para cada puntuación.
Nótese, por contra, que en los modelos de dos y
tres parámetros una misma puntuación en el test no
necesariamente recibe la misma estimación q, que
depende del patrón de respuestas a los ítems, no
solo del número de aciertos, lo cual, aunque no supone un inconveniente teórico, sí lo es práctico,
pues la lógica más corriente del usuario y del que
responde a un test es que a puntuaciones iguales
(número de ítems acertados) corresponden competencias iguales.
Yen (1981) propuso un estadístico similar al anterior aplicable a cualquiera de los tres modelos logísticos:
k
Q1 =
∑
j =1
n j [P(θ j ) – Pe (θ j )]2
P(θ j )[1 − P(θ j )]
[7.23]
donde todos los términos ya han sido definidos
para el estadístico anterior y Q1 se distribuye según
c 2 con k – p grados de libertad, siendo k el número
de categorías en las que se dividió q y p el número
de parámetros del modelo de TRI utilizado.
Aplicado a los datos del ejemplo anterior, se obtiene igual que entonces un valor de Q1 = 12,2. En
este caso, los grados de libertad serían también
5 – 1 = 4, pues se trata del modelo logístico de un
parámetro; luego p = 1.
Si bien el ejemplo anterior trata de ilustrar la
lógica del ajuste, el estadístico Q1 tiene varias limitaciones (Wells et al., 2016), por lo que en la actua© Ediciones Pirámide
/ 217
lidad existen mejores opciones, como las citadas en
las referencias recomendadas más arriba.
Análisis de los residuos
Otro modo muy parejo a los anteriores de
acercarse a la computación del ajuste del modelo
a los datos es el análisis de los residuos. Como
antes, se divide q en varias categorías o niveles y
se calcula para cada una de ellas el residuo estandarizado (RE):
RE =
P(θ j ) – Pe (θ j )
P(θ j )Q(θ j )/ n j
[7.24]
donde:
nj:Número de personas dentro de la categoría j.
P(qj):Valor de la CCI para el nivel qj .
Pe(qj):Proporción empírica de personas dentro
de una categoría dada j que superan el
ítem.
Q(qj):1 – P(qj).
A medida que los residuos se alejan de cero en
valor absoluto, peor será el ajuste del modelo. Una
inspección del tamaño de los residuos para las distintas categorías en las que se dividió q puede dar
una idea descriptiva de las zonas de mayor desajuste del ítem. Por ejemplo, véase en la figura 7.13 el
tipo de residuos que daría un modelo mal ajustado
tal como el que se representa.
En los primeros niveles, los residuos son negativos, P(qj) < Pe(qj), para en las últimas invertirse la
relación. Más que pruebas estadísticas rigurosas,
como sería de desear, es frecuente que los investigadores establezcan una banda de valores admisibles
para los residuos, por ejemplo, entre –2 y +2, u
otros valores arbitrarios pero interpretables asumiendo la distribución normal de los residuos. El
programa informático ResidPlots (Liang, Han y
Hambleton, 2009) permite obtener datos detallados
sobre los residuos, y es compatible con la mayoría
del software de TRI, como PARSCALE, BILOGMG o MULTILOG.
218 /
Introducción a la Psicometría
1,00
Datos
Modelo estimado
0,80
P(q)
0,60
0,40
0,20
0,00
–3,0
–2,0
–1,0
0,0
1,0
2,0
3,0
q
+3
RE
0
–3
–3
0
q
+3
Figura 7.13.—Discrepancia entre el modelo estimado y los datos empíricos.
Comparación de las distribuciones
Un tercer tipo de índice de ajuste de los modelos consiste en comparar, mediante las técnicas estadísticas al uso, por ejemplo, c 2, las distribuciones
de las puntuaciones empíricas del test y la distribución teórica generada por la curva característica del
test, concepto que se verá más adelante.
4.5. lnvarianza de los parámetros
Si se superan los pasos anteriores con éxito
—como se ha visto, cada uno de ellos envuelve una
problemática peculiar—, finalmente se dispondrá
de un test calibrado, es decir, de un conjunto de
ítems con sus parámetros adecuadamente estimados (listos para aplicar a nuevas personas) y de una
muestra de N personas, los utilizados en el estudio,
de los que se conoce su nivel estimado en la variable
medida q. No hay que confundir el valor de q para
una persona con su puntuación en el test. Como se
verá más adelante, la curva característica del test
permitirá establecer la relación entre q y las puntuaciones de las personas en el test.
Ahora bien, cabe preguntarse por la conexión
entre un modelo así establecido y los objetivos de
invarianza prometidos por la TRI, a saber:
© Ediciones Pirámide
Teoría de respuesta a los ítems
/ 219
respectivamente, 25, 35 y 65 ítems, ya que, según el
gráfico, P1(qj) = 0,25, P2(qj) = 0,35 y P3(qj) = 0,65,
pero en los tres casos se le asignará idéntica qj .
En segundo lugar, los parámetros de los ítems
no dependen del tipo de muestra, los valores de
P(q) no están en función de la distribución de q
para las personas. Véase en la figura 7.14, por ejemplo, cómo qj genera idénticos valores P(q) tanto se
considere en la muestra N1 como en la N2, con distribuciones muy diferentes. No obstante, como en
cualquier otro caso de estimación estadística, cuanto mayor sea la muestra de personas y mejor cubran
el rango de valores de q, más precisas serán las estimaciones de los parámetros.
a)Estimar las puntuaciones de las personas
sin que importe el instrumento utilizado.
b)Estimar los parámetros de los ítems independientemente de la muestra empleada.
Es algo que conviene entender cabalmente, pues
constituye el meollo de la TRI. Si el modelo se ajusta estrictamente a los datos, los dos objetivos se
cumplen (véase figura 7.14).
En la figura 7.14 aparecen las CCI de tres ítems
correspondientes a un modelo logístico de tres parámetros. Los valores de los parámetros a, b y c de los
ítems son, como se puede observar, diferentes. Sobre
el eje de abscisas se han representado las distribuciones de q para dos muestras de personas evaluadas,
N1 y N2. La estimación del valor de q, sea qj , para
una persona o clase de personas determinada; nótese que no depende de que utilicemos un tipo de ítem
u otro, lo único que variará será la P(q) según la
forma de la CCI dada por el valor de sus parámetros.
Así, por ejemplo, si a una persona (o grupo de personas) con q = qj se le aplican tres test, el primero
con 100 ítems del tipo 1, el segundo con 100 ítems
del tipo 2 y el tercero con 100 del tipo 3, todos ellos,
obviamente, midiendo la misma variable q, acertaría,
Comprobación de la invarianza
Para comprobar la invarianza de la estimación
de la q de cada persona para distintos test que miden la misma variable, se aplican dos (o más) test
compuestos por distintos ítems a la misma muestra
de personas y luego se ve en qué grado ambas estimaciones coinciden. Dicha coincidencia puede indagarse representando gráficamente las q obtenidas
en un test frente a las obtenidas en el otro: cuanto
3
1,00
1
2
P(q)
0,65
0,35
0,25
0,00
qj
N1
q
N2
Figura 7.14.—Curvas características de tres ítems estimadas a partir de dos muestras con distribuciones diferentes en q.
© Ediciones Pirámide
220 /
Introducción a la Psicometría
más se acerquen a una recta, más fina será la invarianza. Una indicación numérica del ajuste puede
hallarse mediante la correlación de Pearson entre
las estimaciones.
En la figura 7.15 aparecen representados los valores de q para 100 personas en dos test distintos,
con una correlación entre ambas estimaciones de
0,96, que puede considerarse un buen ajuste. Ha de
notarse que, aunque las estimaciones de q con test
distintos fuesen exactamente las mismas para cada
persona, ello no quiere decir que el programa informático empleado dé el mismo valor numérico en
cada caso; de ahí la necesidad del gráfico y la correlación. La razón es muy simple: no existe una métrica única para q; por tanto, el programa establece
para cada análisis una métrica en función de los
parámetros de los ítems utilizados y, en consecuencia, el valor de q de una persona depende de esa
métrica, así que, aunque la invarianza sea perfecta,
la salida del ordenador no tiene por qué ser la misma para una persona en ambas ocasiones, pero sí
tiene que haber una relación lineal perfecta entre las
estimaciones. De cómo transformar dos estimaciones en métricas distintas a una misma métrica se
tratará en el capítulo dedicado a la equiparación de
las puntuaciones.
Invarianza de los parámetros de los ítems. Análogamente, si se utilizan diferentes muestras para
estimar los parámetros de n ítems, el modelo pos­tula
la invarianza de estos. Mutatis mutandis, la comprobación empírica es similar a la anterior, ahora son
los parámetros de los ítems los que han de compararse en vez de q. En la figura 7.16 aparecen representadas las estimaciones del parámetro b (índice de
dificultad) de 50 ítems en dos muestras de personas.
La invarianza es notable: r12 = 0,98. Algunos ejemplos numéricos pueden consultarse en Hambleton y
Swaminathan (1985) y Lord (1980).
El parámetro c (aciertos al azar) no viene afectado por la elección del origen de la escala y de sus
unidades, luego su estimación ha de ser idéntica
para ambas (o más) muestras (Lord, 1980).
+3
+3
q2
b2
–3
–3
–3
q1
–3
+3
Figura 7.15.—Representación de los valores de q estimados
por dos tests distintos.
b1
+3
Figura 7.16.—Valores de h estimados en dos muestras distintas de personas.
EJERCICIOS
1. Se aplicó un test de cinco ítems a una muestra de 100 personas. Para cada ítem se calcularon
los índices clásicos de dificultad (ID), discrimina-
ción (rb) y la probabilidad de acertar el ítem al azar
(Pa), cuyos valores aparecen en la tabla adjunta.
© Ediciones Pirámide
Teoría de respuesta a los ítems
Ítems
ID
rb
Pa
1
2
3
4
5
0,50
0,10
0,60
0,70
0,90
0,80
0,20
0,50
0,35
0,10
0,00
0,20
0,25
0,00
0,15
duce un mejor ajuste del modelo a los datos
para este ítem?
3. A continuación aparecen los valores de los
parámetros b estimados para seis ítems en dos
muestras distintas de personas.
1.Identifique el ítem más fácil y el más difícil.
2.¿Cuál es el ítem más discriminativo? ¿Y el
menos?
3.¿Cuáles de los ítems de este test es más probable que no sean de elección múltiple?
4.¿Qué modelo de TRI elegiría para utilizar
con este test?
2. Se aplicó un test de 40 ítems a una muestra
de 200 personas, cuyas puntuaciones q en el test se
estimaron utilizando el modelo de Rasch. Las puntuaciones q se dividieron en seis intervalos para estudiar el ajuste del modelo a los datos. En la tabla
adjunta aparece el número de personas comprendidas en cada intervalo (nj), así como las que de ellas
acertaron el ítem séptimo del test ( fa).
q
nj
fa
–3 - –2
–2 - –1
–1 - 0
0 - 1
1 - 2
2 - 3
20
30
40
60
40
10
2
9
20
51
36
10
1.El parámetro b para el ítem séptimo cuyos
datos aparecen en la tabla fue –0,5. Calcule
el estadístico chi-cuadrado de Wright y
Panchapakesan y diga si el modelo se ajusta
a los datos para el ítem séptimo. Nivel de
confianza, 95 %.
2.Calcule los residuos estandarizados (RE)
para el ítem séptimo (datos de la tabla). Si
se adopta como criterio de un buen ajuste
que ninguno de los residuos supere el valor
absoluto de 1, ¿puede afirmarse que el modelo se ajusta a los datos?
3.A la vista de los residuos estandarizados del
apartado anterior, ¿en qué zona de q se pro© Ediciones Pirámide
/ 221
Muestra 1
Muestra 2
Ítems
b1
b2
1
2
3
4
5
6
–1,50
0,25
1,20
1,50
2,00
2,50
–1,30
0,20
1,10
1,40
2,02
0,00
1.Tomando como criterio la correlación entre
las estimaciones halladas en ambas muestras, la invarianza podría considerarse: muy
pobre, moderada, excelente.
2.Elimine el ítem cuya invarianza parece más
defectuosa y recalcule la correlación entre
las estimaciones de b para el resto de los
ítems. ¿Cómo calificaría la invarianza una
vez descartado el citado ítem?
3.Transforme los valores de b1 y b2 a una nueva escala E ′, según la siguiente expresión:
E ′ = l00(b) + 500
4.¿Qué cambios se han producido en la invarianza de b tras la transformación del apartado anterior?
4. En la tabla adjunta aparecen las respuestas
de 60 personas a un ítem de un test de inteligencia.
Las 60 personas se han organizado en seis intervalos
Personas
q
–3 - –2
–2 - –1
–1 - 0
0 - 1
1 - 2
2 - 3
0
1
1
1
1
1
1
0
0
1
1
1
0
0
0
1
1
1
0
0
0
0
1
1
0
1
1
0
0
1
0
0
1
1
1
1
0
0
0
1
1
1
0
1
1
0
1
0
1
0
1
1
0
0
0
0
0
0
0
1
222 /
Introducción a la Psicometría
según sus puntuaciones en la variable medida q.
Los parámetros estimados para el ítem de la tabla
mediante el modelo logístico de tres parámetros
fueron: a = 0,6, b = 0,5 y c = 0,2.
1.Calcule los valores P(qj) pronosticados por
el modelo para el punto medio de cada una
de las categorías de q.
2.Al nivel de confianza del 95 %, ¿puede afirmarse que el modelo se ajusta a los datos para
el ítem de la tabla? (utilice chi-cuadrado).
3.Si se toma como criterio de ajuste que ninguno de los residuos estandarizados del
ítem supere un valor absoluto de 1,96, ¿puede afirmarse que el ítem de la tabla se ajusta a los datos?
SOLUCIONES
1.1. Fácil: 5; Difícil: 2.
2.Más discriminativo: 1; menos discriminativo: 5.
3. 1 y 4.
4. Modelo logístico de 3 parámetros.
2.1.
c 2 = 15,46 > 11,07 (tablas): el modelo no
se ajusta a los datos.
2.Ajuste deficiente, tres de los cinco RE tienen un valor absoluto superior a 1.
3.Mejor ajuste en la zona central de q, entre
–1 y +1, donde los RE = 0.
5. MÉTRICA DE THETA (q)
Pocos tópicos de la TRI han sido tan malinterpretados como el de la métrica de q. La frase habitual es que en los modelos de TRI la métrica de q
es arbitraria, lo cual es cierto, siempre y cuando se
defina bien lo que se entiende por arbitrario. El lector que no se haya saltado los apartados anteriores,
si hubiese alguno, ya habrá captado la idea general
respecto a esta arbitrariedad, consistente en que el
modelo establecido no predetermina el origen ni las
unidades de q, esto es, sigue siendo válido, siguen
obteniéndose las mismas P(q), si se utiliza otro origen y otras unidades para medir q, siempre y cuando, claro está, se hagan las oportunas correcciones
en los parámetros de los ítems. Veamos primero un
ejemplo numérico y luego se concretarán las transformaciones de q admisibles para los modelos logísticos.
3.1. r(b1, b2) = 0,71. Invarianza moderada.
2. r(b1, b2) = 0,99. Invarianza excelente.
3.b′1 = 350, 525, 620, 650, 700, 750. b′2 = 370,
520, 610, 640, 702, 500.
4.Ninguno, la transformación lineal no
afecta a la invarianza.
4.1. 0,23; 0,29; 0,41; 0,60; 0,79; 0,91.
2. Se ajusta: Q1 = 2,35 < 7,81.
3.Se ajusta: todos los residuos estandarizados son menores que 1,96 (0,21, 0,07,
0,64, 0,00, 0,64, 1,10).
Ejemplo
Supóngase un modelo logístico de dos parámetros, formulado en cierta métrica q, con a = 1,5 y
b = 2; luego vendrá dado por:
P(θ ) =
e D(1,5)(θ – 2 )
1 + e D(1,5)(θ – 2 )
y como e = 2,72 y D = 1,7:
P(θ ) =
(2,72)(1,7 )(1,5)(θ – 2 )
(2,72)(2,55)(θ – 2 )
=
1 + (2,72)(1,7 )(1,5)(θ – 2 ) 1 + (2,72)(2,55)(θ – 2 )
Para un valor de q = 2, sustituyendo se obtendrá un valor de
P(θ ) =
(2,72)(2,55)(2 – 2 )
= 0,5
1 + (2,72)(2,55)(2 – 2 )
© Ediciones Pirámide
Teoría de respuesta a los ítems
Ahora supóngase que los valores de la escala q
se transforman, por ejemplo, multiplicándolos todos por 3 y sumándoles 1, es decir, el valor anterior
de q = 2 quedará transformado en:
θ ′ = 3(2) + 1 = 7
Veamos que si se sustituye ahora en el modelo
el nuevo valor q ′ = 7, se obtendrá el mismo resultado que al sustituir el original de q = 2. Ahora bien,
si se ha transformado la escala de q, antes de hacer
los cálculos habrá que transformar también los valores originales de b = 2 y a = 1,5 en los correspondientes en la nueva escala:
b ′ = 3(2) + 1 = 7
a′ =
1,5
= 0,5
3
/ 223
En suma, P(q ′) = P(q).
Si se añade un factor multiplicativo M, además
del aditivo anterior, para mantener la invarianza
hay que modificar el modelo, introduciendo una
nueva constante 1/M que multiplica a D. Por tanto,
tal como se expresa aquí, el modelo no es invariante a una transformación lineal multiplicativa (aunque es posible cierta «acomodación» para esta
transformación manipulando el valor medio del índice de discriminación asignado a los ítems).
Nótese que lo que implica esta invarianza de
P(q) respecto a la adición de una constante es que
una persona no tiene una q determinada ni un ítem
una b específica, siempre es posible transformar dichos valores en otros sin alterar el modelo. Dada
esta inespecificidad, los programas informáticos
suelen elegir como métrica de q aquella con media
cero y desviación típica 1. El usuario es luego libre
de transformar estas puntuaciones en otras que
considere más oportunas.
Por tanto:
(2,72)(1,7 )( 0,5)(7 – 7 )
P(θ ) =
= 0,5
1 + (2,72)(1,7 )( 0,5)(7 – 7 )
Es decir, P(q) = P(q ′) = 0,5. Ese es el sentido de
la arbitrariedad de la métrica de q: podemos elegir
las puntuaciones linealmente transformadas que
más nos interesen sin alterar los valores de P(q) proporcionados por los modelos. Veamos a continuación las transformaciones admisibles de q para los
modelos logísticos de uno, dos y tres parámetros.
5.1. Transformaciones admisibles de q
Modelo logístico de dos parámetros
P(q) resulta invariante a cualquier transformación lineal de q siempre que esta se aplique también
al índice de dificultad b y que el índice de discriminación a se divida por el factor multiplicativo. Es
decir:
θ ′ = M (θ ) + k
b ′ = M (b) + k
a′ =
a
M
Efectivamente:
Modelo logístico de un parámetro
Si se suma (o resta) una constante k a todos los
valores de q y se hace lo mismo con el índice de
dificultad b, no se altera el valor de P(q).
Sea q ′ = q + k, b′ = b + k:
P(θ ′ ) =
=
e D(θ ′ – b′ )
e D[(θ + k ) – (b + k )]
=
=
D( θ ′ – b ′ )
1+ e
1 + e D[(θ + k ) – (b + k )]
e D(θ – b )
= P(θ )
1 + e D(θ – b )
© Ediciones Pirámide
P(θ ′ ) =
e Da ′ ( θ ′ – b ′ )
=
1 + e Da ′ ( θ ′ – b ′ )
=
e D( a /M )[(Mθ + k ) – (Mb + k )]
=
1 + e D( a /M )[(Mθ + k ) – (Mb + k )]
=
e D( a /M )M (θ – b )
e Da(θ – b )
=
= P(θ )
1 + e D( a /M )M (θ – b ) 1 + e Da(θ – b )
(Véase el ejemplo numérico desarrollado al comienzo del apartado.)
224 /
Introducción a la Psicometría
Modelo logístico de tres parámetros
Análogo al de dos parámetros, pero además con
c′ = c.
θ ′ = M (θ ) + k
b ′ = M (b) + k
a
a′ =
M
c′ = c
c ′ + (1 – c ′ )e Da ′ (θ ′ – b′ )
P(θ ′ ) =
=
1 + e Da ′ ( θ ′ – b ′ )
=
c + (1 – c)e D( a /M )[(Mθ + k ) – (Mb + k )]
=
1 + e D( a /M )[(Mθ + k ) – (Mb + k )]
=
c + (1 – c)e D( a /M )M (θ – b )
=
1 + e D( a /M )M (θ – b )
=
c + (1 – c)e Da(θ – b )
= P(θ )
1 + e Da(θ – b )
Esta indeterminación de la escala de q, como
ya se ha señalado, obliga en cada situación de calibración de un test a elegir una, con las consecuencias citadas sobre la métrica de los parámetros de los ítems, siendo lo más corriente que la
métrica elegida por los programas ubique la media
en cero y la desviación típica en 1. Si se desea evitar los valores negativos y decimales, se puede llevar a cabo cualquier otra transformación lineal
admisible.
Modelo logístico de un parámetro
Como es bien sabido, el modelo viene dado por
P(θ ) =
e D(θ – b )
1 + e D(θ – b )
Por tanto:
Q(θ ) = 1 – P(θ ) = 1 –
=
e D(θ – b )
=
1 + e D(θ – b )
1 + e D(θ – b ) – e D(θ – b )
1
=
D( θ – b )
D( θ – b )
1+ e
1+ e
Dividiendo en el modelo original ambos miembros por Q(q):
P(θ ) [e D(θ – b ) ]/[1 + e D(θ – b ) ]
=
= e D(θ – b )
Q(θ )
1/[1 + e D(θ – b ) ]
Si se hace D = 1 o, al modo de Rasch-Wright,
su valor se incluye en q y b, es decir, se hace la multiplicación, entonces:
P(θ )
= e (θ – b )
Q(θ )
Tomando logaritmos neperianos:
ln
P(θ )
= (θ – b) ln (e)
Q(θ )
como ln (e) = 1:
5.2. Transformaciones de P(q): logits
Además de las transformaciones lineales admisibles citadas de la escala de q, es frecuente usar en
vez de los valores directos de P(q) alguna modificación no lineal de ellos. La razón es tratar de captar
más cabalmente la significación del modelo, aunque
si no se entienden bien tales modificaciones, en vez
de claridad, añaden oscuridad. Una de las transformaciones más utilizadas son los así llamados logits.
Veamos a qué se denomina logit.
ln
P(θ )
= (θ – b)
Q(θ )
[7.25]
Se denomina logit a la unidad de la escala
ln [P(q)/Q(q)], es decir, al logaritmo neperiano del
cociente entre la probabilidad de pasar el ítem según
el modelo y la probabilidad de fallarlo. Un logit
(q – b) = 1, o, lo que es lo mismo, ln [P(q)/Q(q)] = 1,
indicará que P(q)/Q(q) = 2,72, ya que ln (2,72) = 1.
En otras palabras, un valor de 1 en la escala logit
equivale a 2,72 en la escala P(q)/Q(q).
© Ediciones Pirámide
Teoría de respuesta a los ítems
La escala logit proporciona una cierta idea a la
hora de comparar personas entre sí. Sea, por ejemplo, una persona con q = q1 y otro con q = q2 y un
ítem j con un índice de dificultad b = bj:
ln
P(θ1 )
= (θ1 – b j )
Q(θ1 )
ln
P(θ 2 )
= (θ 2 – b j )
Q(θ 2 )
Dividiendo P(q) entre Q(q):
P(θ ) [e Da(θ – b ) ]/[1 + e Da(θ – b ) ]
=
= e Da(θ – b )
Q(θ )
1/[1 + e Da(θ – b ) ]
Tomando logaritmos neperianos:
ln
Restando miembro a miembro:
ln
P(θ1 )
P(θ 2 )
– ln
= (θ1 – b j ) – (θ 2 – b j )
Q(θ1 )
Q(θ 2 )
Ahora bien, la diferencia de logaritmos es igual
al logaritmo del cociente:
P(θ )
= Da(θ – b) ln (e) = Da(θ – b)
Q(θ )
ln
P(θ1 )
= Da j (θ1 – b j )
Q(θ1 )
Las diferencias entre las dos personas se transforman directamente en diferentes probabilidades
de acertar el ítem. Así, por ejemplo, si (q1 – q2) = 0,
ello significa que:
ln
P(θ 2 )
= Da j (θ 2 – b j )
Q(θ 2 )
P(θ1 )/Q(θ1 )
= (θ1 – θ 2 )
P(θ 2 )/Q(θ 2 )
P(θ1 )/Q(θ1 )
=1
P(θ 2 )/Q(θ 2 )
Obviamente, si no hay diferencias entre la competencia de las personas, las probabilidades de éxito
de ambos serán iguales y, en consecuencia, su cociente 1. Cuando (q1 – q2) = 1, entonces el cociente
será 2,72; para una diferencia de –0,223 el cociente
vendrá dado por 0,8, y para una diferencia de 1,25
valdrá 3,5, etc. Todo lo cual informa adecuadamente de la probabilidad que tienen comparativamente
ambas personas de superar el ítem.
Restando miembro a miembro:
ln
P(θ1 )
P(θ 2 )
– ln
= Da j (θ1 – b j ) – Da j (θ 2 – b j )
Q(θ1 )
Q(θ 2 )
Simplificando:
ln
P(θ1 )/Q(θ1 )
= Da j (θ1 – θ 2 )
P(θ 2 )/Q(θ 2 )
Modelo logístico de tres parámetros
Modelo logístico de dos parámetros
P(θ ) =
Da( θ – b )
e
1 + e Da(θ – b )
e Da(θ – b )
=
1 + e Da(θ – b )
1 + e Da(θ – b ) – e Da(θ – b )
1
=
=
Da( θ – b )
Da( θ – b )
1+ e
1+ e
Q(θ ) = 1 – P(θ ) = 1 –
© Ediciones Pirámide
[7.27]
Por tanto, para este modelo el logit incluye el
valor del índice de discriminación a.
Si se desea comparar a dos personas con q = q1
y q = q2, respectivamente, en un ítem bj, los logits
vendrán dados por:
[7.26]
ln
/ 225
P(θ ) = c + (1 – c)
e Da(θ – b )
1 + e Da(θ – b )
Pasando c al primer miembro:
P(θ ) – c = (1 – c)
e Da(θ – b )
1 + e Da(θ – b )
[7.28]
226 /
Introducción a la Psicometría
⎡
e Da(θ – b ) ⎤
Q(θ ) = 1 – P(θ ) = 1 – ⎢ c + (1 – c)
⎥=
1 + e Da(θ – b ) ⎦
⎣
e Da(θ – b )
=
= (1 – c) – (1 – c)
1 + e Da(θ – b )
1
= (1 – c) 1 –
e Da(θ – b )
1 + e Da(θ – b )
5.3. Otras transformaciones
Otra escala de interés práctico es la de unidades
denominadas wits, en la cual q se transforma en q ′
según la expresión:
2=
θ ′ = (10) log 3 eθ + 100
1 + e Da(θ – b ) – e Da(θ – b )
1– c
= (1 – c)
=
Da( θ – b )
1+ e
1 + e Da(θ – b )
En los modelos de uno y dos parámetros se dividía P(q) entre Q(q), pero aquí se divide P(q) corregido por los aciertos al azar c; es decir, se divide
[P(q) – c] entre Q(q); por tanto:
La escala de Wits goza de algunas propiedades
prácticas deseables.
Finalmente, una transformación interesante es
la propuesta por Lord (1980), en la que
θ ′ = Ke kθ
b ′ = Ke kb
P(θ ) – c (1 – c)[e Da(θ – b ) ]/[1 + e Da(θ – b ) ]
=
= e Da(θ – b )
Q(θ )
(1 – c)/[1 + e Da(θ – b ) ]
Tomando logaritmos neperianos:
ln
P(θ ) – c
= Da(θ – b) ln (e) = Da(θ – b)
Q(θ )
[7.29]
a′ =
[7.30]
Las derivaciones anteriores pueden llevarse a
cabo con distintas bases logarítmicas, así como extenderse a la comparación entre ítems, además de
entre personas (véase, por ejemplo, Hambleton y
Swaminathan, 1985).
Da
K
donde K y k son constantes positivas. En la nueva
escala (véase Lord, 1980, p. 84), para un modelo
logístico de tres parámetros se da una sencilla relación:
P(θ ′ ) – c
= (θ ′ / b ′ )a ′
Q(θ ′ )
Aplicado a la comparación de dos personas,
análogamente al caso de dos parámetros:
[P(θ1 ) – c]/Q(θ1 )
ln
= Da(θ1 – θ 2 )
[P(θ 2 ) – c]/Q(θ 2 )
[7.31]
[7.32]
La transformación realizada convierte P(q) en
otra función P(q ′) que ya no es la logística, pero,
como señala el propio Lord, la relación anterior es
tan simple y directa que tal vez la escala q ′ sea preferible a q para la medición. A modo de ejercicio,
trate el lector de derivar la relación anterior, sustituyendo en el modelo logístico de tres parámetros
los valores correspondientes a la transformación y
dividendo luego [P(q ′) – c] entre Q(q ′).
EJERCICIOS
1. Utilizando el modelo logístico de tres parámetros, se estimaron los parámetros a, b y c de todos los ítems de un test de inteligencia espacial y las
puntuaciones q de las personas. Las puntuaciones q
obtenidas por las cinco personas de la muestra utilizada fueron las siguientes: –2,4, –1,2, 0,0, 1,6, 2,0.
1.Para un determinado ítem se estimó un índice de dificultad b = 1,5, un índice de discriminación a = 0,8 y un valor de c = 0,20.
Estimar la probabilidad que tienen de superar el ítem las personas con una puntuación
q = 1.
© Ediciones Pirámide
Teoría de respuesta a los ítems
2.Transforme las puntuaciones q de las personas a otra escala de acuerdo con la siguiente expresión: q ′ = 15(q) + 100.
3.¿Cuáles son los valores de los parámetros a,
b y c del ítem en la nueva escala?
4.Una persona que hubiese obtenido en la
nueva escala una puntuación q ′ de 115 puntos, ¿qué probabilidad tiene de superar el
ítem?
5.¿Qué puntuación q obtuvo en la escala original una persona que en la escala transformada q ′ tiene 145 puntos?
2. Tras aplicar un test de 10 ítems a una muestra de 500 personas, se estimaron los parámetros de
los ítems mediante el modelo logístico de dos parámetros.
1.Los parámetros de uno de los ítems fueron
a = 0,8 y b = 1,4. Una persona obtuvo en el
/ 227
test una puntuación q = 1,9; ¿qué puntuación le corresponderá en la escala logit?
2.Si en el ítem anterior el logit correspondiente a una de las personas fuese 1,5, ¿qué puntuación q habría obtenido en el test esa persona?
3.La diferencia entre las puntuaciones q de
dos personas en el test fue de 3 puntos.
¿Cuál es su diferencia expresada en la escala logit?
4.En otro de los ítems del test cuyos parámetros a y b desconocemos, a una persona le
corresponde una puntuación de 2 en la escala logit. ¿Cuál es la probabilidad de que
esa persona supere el ítem? ¿Cuál la de que
lo falle?
5.Si el ítem del apartado anterior tuviese una
dificultad b = 1 y una discriminación a = 0,5,
¿qué puntuación q habría obtenido la persona cuyo logit era 2?
SOLUCIONES
1.1.
2.
3.
4.
5.
0,47.
64, 82, 100, 124, 130.
a′ = 0,05, b′ = 122,5, c′ = 0,2.
0,47.
3.
6. CURVA CARACTERÍSTICA DEL TEST
6.1. Definición
2.1.
2.
3.
4.
5.
0,68.
2,5.
4,08.
0,88, 0,12.
3,35.
man los valores de P(q) de cada ítem para ese nivel
se obtiene la CCT, lo cual puede expresarse así:
n
Análogamente al concepto de CCI, pieza central de los modelos de TRI, puede hablarse de curva característica del test (CCT). Aunque su papel en
la TRI no es comparable con el de la CCI, tiene
gran interés como puente entre algunos aspectos de
la teoría clásica de los test y la TRI, como ayuda
para interpretar los resultados, o en la equiparación
de las puntuaciones, por citar lo más sobresaliente.
La curva característica del test no es otra cosa
que la suma de las curvas características de los ítems
que componen el test: si para cada nivel de q se su© Ediciones Pirámide
CCT =
∑ Pi (θ )
[7.33]
i =1
siendo n el número de ítems.
Nótese que las sumas han de hacerse para cada
nivel de q y, dado que q es continua, propiamente
habrá que utilizar el cálculo infinitesimal, aunque
en la práctica es habitual dividir q en cortos intervalos sumando las P(q) de los ítems para cada intervalo. Se ilustra a continuación con un ejemplo
para valores discretos de q.
228 /
Introducción a la Psicometría
Ejemplo
b2 = 1, b3 = 2, b4 = 3. Hallar la CCT. [La suma de
la P(q) se haría para los valores de q: –3, –2, –1, 0,
1, 2, 3.]
Sustituyendo los valores a, b y q en el modelo
se obtienen los valores de P(q) para los cuatro ítems
y se suman para obtener la CCT.
Sea un test compuesto de cuatro ítems cuyos
parámetros en un modelo logístico de dos parámetros estimados con el programa BILOG resultaron
ser: a1 = 1, a2 = 1,5, a3 = 2, a4 = 2,5; b1 = 0,75,
n
P(q)
Ítems
–3
–2
–1
0
1
2
3
∑ Pi (θ )
Ítem 4
Ítem 3
Ítem 2
Ítem 1
0,0000
0,0000
0,0000
0,0000
0,0001
0,0138
0,5000
0,0000
0,0000
0,0000
0,0010
0,0310
0,5000
0,9680
0,0000
0,0004
0,0059
0,0719
0,5000
0,9280
0,9940
0,0017
0,0091
0,0481
0,2177
0,6049
0,8938
0,9788
En la figura 7.17 aparecen representadas las
cuatro CCI, y en la 7.18, la curva característica del
test.
6.2. Puntuaciones verdaderas en el test
Como ya se ha señalado, el interés de la TRI no
se centra, como ocurría en la teoría clásica de los
i =1
CCT
0,0017
0,0095
0,0540
0,2906
1,1369
2,3356
3,4408
test, en la estimación de las puntuaciones verdaderas de las personas en el test, sino en la estimación
más general de q, de la que un test particular sería
un indicador. No obstante, es ilustrativo entender
lo que bajo el prisma de la TRI sería la puntuación
verdadera de una persona en el test.
La puntuación verdadera en el test de una persona o personas a las que se ha estimado mediante un
modelo de TRI una determinada puntuación q = qj
P(q)
1,00
0,50
1
2
3
4
0,00
–3
–2
–1
0
1
2
3
q
Figura 7.17.—Curvas características de los ítems del ejemplo.
© Ediciones Pirámide
Teoría de respuesta a los ítems
/ 229
4,00
3,50
3,00
V
2,50
2,00
1,50
1,00
0,50
0,00
–3
–2
–1
0
1
2
3
q
Figura 7.18.—Curva característica del test formado por los cuatro ítems del ejemplo.
viene estimada por la suma de las probabilidades
P(qj) dadas por las curvas características de los
ítems que componen el test, para el valor de qj:
n
Vj =
∑ Pi (θ j )
[7.34]
i =1
donde n es el número de ítems, y Pi(qj), el valor correspondiente a cada CCI para q = qj. Adviértase
que este valor no es otra cosa que el valor generado
por la curva característica del test para q = qj. Por
ejemplo, para el test del ejemplo anterior compuesto por cuatro ítems, la puntuación verdadera en el
test para las personas a las que se estimó una q = 2
vendría dada por:
V = 0,0138 + 0,5000 + 0,9280 + 0,8938 = 2,3356
Las puntuaciones verdaderas en el test así estimadas pueden ser muy útiles de cara a la interpretación de los resultados, pues vienen expresadas en
la misma escala que las empíricas, mientras que los
© Ediciones Pirámide
valores de q constituyen otra escala, precisamente
una escala que la CCT transforma en puntuaciones
verdaderas. Puede afirmarse, por tanto, como señala Lord (1980), que las puntuaciones verdaderas (V)
y las puntuaciones (q) son la misma cosa pero expresada en diferente escala. Ahora bien, la gran ventaja a favor de q es que si el modelo TRI funciona, la
puntuación q estimada a un persona no depende
del test utilizado, mientras que V sí. Véase esto ilustrado en la figura 7.19, en la que aparecen las CCT
de dos test. Nótese cómo para cada test varía la
puntuación verdadera estimada a las mismas personas con q = qj.
Error típico de medida
Las puntuaciones verdaderas (V ), como ocurre
en la teoría clásica, y en general en cualquier proceso de estimación, no coincidirán siempre con las
empíricas (X ), definiéndose el error de medida como
la diferencia entre ambas (e = X – V ), y el error típico de medida (Se), como la desviación típica de
dichas diferencias.
230 /
Introducción a la Psicometría
1
2
V1
V2
–3,0
–2,0
–1,0
0,0
qj
1,0
2,0
3,0
Figura 7.19.—Estimación de la misma qj mediante dos curvas características de test diferentes.
Para un cierto nivel de q = qj el valor del error
típico de medida al cuadrado viene dado por
n
Se2 =
∑ Pi [(θ j )Qi (θ j )]
[7.35]
i =1
donde:
n: Número de ítems del test.
Pi(qj):Valor de las CCI para q = qj, es decir,
para el nivel de q para el cual se desea
calcular Se.
Qi(qj) = [1 – Pi(qj)].
Este error típico tiene una característica notable
respecto al de la teoría clásica: su valor no es el mismo para todas las personas, está en función del valor
de q, lo cual quiere decir que la precisión con la que
miden los test no es uniforme a lo largo de la escala, va a depender del nivel de las personas en la
variable medida.
La obtención de la fórmula del error típico es
inmediata. Para cada nivel qj de q, la varianza de los
errores de medida de un ítem es la misma que la varianza de las puntuaciones empíricas, pues q = x – v,
con v constante para ese nivel dado qj . Para ítems
dicotómicos la varianza de cada uno al nivel qj ven-
drá dada por P(qj)Q(qj); luego la varianza de los n
ítems que componen el test, para el nivel qj, y asumiendo el principio de independencia local, vendrá
dada por la suma de las varianzas de los ítems:
n
∑ Pi (θ j )Qi (θ j )
i =1
que es la fórmula propuesta. Si todos los ítems tuviesen la misma P(q), la varianza total de los errores de medida para cada nivel de q sería la de distribución binomial: nP(q)Q(q).
6.3. Curva característica de la persona
Análogamente a los conceptos de curva característica del ítem y curva característica del test,
puede hablarse de curva característica de la persona (CCP). Se obtiene empíricamente representando en abscisas la dificultad de los ítems (parámetro
b), y en ordenadas, la proporción de ítems acertados por la persona en cada categoría (véase la figura 7.20).
En la figura 7.20 aparecen las CCP empíricas de
dos personas para el mismo test. Para obtenerlas,
en primer lugar, se han de estimar los parámetros b,
que se agrupan por categorías según sus valores, en
© Ediciones Pirámide
Teoría de respuesta a los ítems
/ 231
P
1,00
0,50
0,00
–3,0
–2,0
–1,0
0,0
1,0
2,0
3,0
b
Figura 7.20.—Curvas características empíricas de dos personas.
el ejemplo de –3,5 a + 3,5 (siete categorías). Los
valores representados en ordenadas (P) son la proporción de ítems acertados por la persona dentro de
cada categoría. Uno de los usos más prometedores
de la CCP (Trabin y Weiss, 1983) es su comparación
con la curva teórica esperada, lo que permite analizar las discrepancias entre el comportamiento real
de una persona ante los ítems y el esperado teóricamente a partir de los parámetros estimados por el
modelo de TRI. Para obtener la CCP teórica o esperada se procede como en el caso de la empírica,
pero en el eje de ordenadas, en vez de la proporción
de aciertos empíricos, se representan los que debería
obtener según las correspondientes CCI. En concre-
to, en ordenadas se ubicará la media de los valores
de q, el estimado para la persona en cuestión, esto
es, en ordenadas se representa
j
Pi (θ )
j
i =1
∑
donde j es el número de ítems de cada categoría y
Pi(q) son los valores correspondientes de las CCI
para los ítems en cada categoría al nivel q de la persona. Por tanto, las CCP esperadas dependen del
nivel de la persona en la variable medida, q, y de las
CCI.
EJERCICIOS
1. Un test está formado por cinco ítems cuyos
parámetros de dificultad y discriminación estimados mediante el modelo logístico de dos parámetros
fueron los siguientes:
1.Obtenga la curva característica del test, utilizando los siguientes siete valores de q:
–2,5, –1,5, –0,5, 0,5, 1,5, 2,5, 3,5.
© Ediciones Pirámide
Ítems
a
b
1
2
3
4
5
1,00
1,50
2,00
2,50
0,50
1,25
1,50
2,50
3,50
–1,50
232 /
Introducción a la Psicometría
2.Según la curva característica del test calculada en el apartado anterior, ¿qué puntuación se estima que obtendrán en el test dos
personas a las que se estimó unas puntuaciones q de 2,5 y 0,5?
3.¿Cuál es la probabilidad de que una persona a la que se estimó una puntuación
q = 3,5 supere los cinco ítems del test?
4.Dos personas obtuvieron, respectivamente,
puntuaciones q de 2,5 y –0,5. ¿Cuál se estima que será la diferencia entre sus puntuaciones en el test?
5.Del test de cinco ítems se suprimieron los
dos ítems más difíciles, de modo que quedó
reducido a solo tres. ¿Cuál es la probabilidad de que una persona con una puntuación q = 1,5 supere los tres ítems del nuevo
test? ¿Qué puntuación se estima que obtendrá esa persona en el test?
1.Trace las curvas características de la persona para las personas A, B y C.
2.¿Cuál de las tres curvas características es
más atípica? ¿Por qué?
3.A continuación se ofrecen los valores correspondientes a cada categoría provenientes de sumar las curvas características de los
ítems. Para obtener estos valores se han sumado las Pi(q) de los ítems de cada categoría j: Σ Pi(q).
2. Un test consta de 40 ítems cuyos índices de
dificultad se distribuyen según aparece en la tabla
adjunta, donde nj indica el número de ítems en cada
uno de los seis intervalos en los que se clasificaron
los ítems atendiendo a su dificultad. Los números
de las columnas (A, B y C) reflejan el número de
ítems de cada categoría que superaron las personas
A, B y C a las que se aplicó el test.
Obtenga los valores correspondientes a la
curva característica esperada y represéntela
gráficamente.
4.Compare cada una de las curvas (A, B, C )
con la esperada del apartado anterior. Para
ello reste en cada una de las categorías el valor esperado del obtenido y pondérelo por el
número de ítems de la categoría. (Prescinda
del signo de las diferencias, utilice valores absolutos.) Sume posteriormente los valores así
obtenidos en cada categoría para obtener un
índice global de desajuste de la curva de cada
persona respecto de la esperada.
b
nj
A
B
C
–3 - –2
–2 - –1
–1 - 0
0 - 1
1 - 2
2 - 3
4
7
9
10
6
4
4
5
6
6
3
1
3
4
5
6
2
0
3
3
4
6
4
3
b
Σ Pi(q)
–3 - –2
–2 - –1
–1 - 0
0 - 1
1 - 2
2 - 3
3,6
4,9
4,5
3,5
1,5
0,4
a) ¿Cuál es el valor del índice así hallado
para cada persona?
b) ¿A qué persona pertenece la curva con
peor ajuste a la esperada?
SOLUCIONES
1.1.
q
CCT
q
CCT
–2,5
–1,5
–0,5
0,5
0,2198
0,5095
0,7545
1,1361
1,5
2,5
3,5
2,0644
3,3033
4,4267
2.
3,3033; 1,1361.
© Ediciones Pirámide
Teoría de respuesta a los ítems
3.
4.
5.
2.1.
0,46.
2,5488.
0,28; 2,03.
PA: 1,00, 0,71, 0,67, 0,60, 0,50, 0,25.
PB: 0,75, 0,57, 0,55, 0,60, 0,33, 0,00.
PC: 0,50, 0,43, 0,44, 0,60, 0,67, 0,75.
7. FUNCIÓN DE INFORMACIÓN
7.1. Error típico de estimación de q
Como ya se ha señalado reiteradamente, los
modelos de TRI permiten estimar el valor de q para
todas las personas por el procedimiento de máxima
verosimilitud. Una propiedad interesante de estos
estimadores (Birnbaum, 1968; Lord, 1980; Hambleton y Swaminathan, 1985) es que se distribuyen
asintóticamente normales con media q y varianza:
var (θ̂ θ ) =
1
n
∑ {[ Pi ′(θ )] /Pi (θ )Qi (θ )}
[7.36]
2
i =1
donde:
n:
Pi(q):
Qi(q):
Pi′(q):
Número de ítems del test.
Valores de las CCI de los ítems.
Igual a 1 – Pi(q).
Derivada de Pi(q).
Por tanto, el error típico vendrá dado por la raíz
cuadrada (desviación típica) de la expresión anterior y permitirá establecer intervalos confidenciales
en torno a q§ para tratar de «apresar» el valor paramétrico («verdadero») de q.
Ejemplo
2.C; acierta en mayor proporción los ítems
difíciles.
3.CC esperada: 0,90, 0,70, 0,50, 0,35, 0,25,
0,10.
4. a) A: 6,60; B: 5,34; C: 11,65; b) C.
2.Error máximo: (Z c)(S e) = (1,96)(0,20) =
= 0,392.
§
3. (q – Error
máximo) ⩽ q ⩽ (q§ + Error máximo)
(2 – 0,392) ⩽ q ⩽ (2 + 0,392)
1,608 ⩽ q ⩽ 2,392.
Luego el valor paramétrico de q se encontrará
entre 1,608 y 2,392, al nivel de confianza del 95 %.
Nótese que este error típico no es el mismo para
todas las personas, depende de su nivel en q.
También dependerá del modelo, pues [Pi′(q)]2,
Pi(q) y Qi(q) varían para un mismo valor de q según
se adopte un modelo u otro. [Más adelante se explicita el valor de Pi′(q) para los modelos logísticos de
uno, dos y tres parámetros.]
En suma, la TRI permite estimar el valor de q
y proporciona una medida de la precisión de las
estimaciones dada por el error típico de estimación.
No obstante, para expresar esta información acerca
de la precisión de las estimaciones de q se va a utilizar más que el error típico la función de información, que no es otra cosa que el citado error típico
expresado de otro modo, como ahora veremos.
7.2. Función de información del test
Birnbaum (1968) define la función de información del test, I(q), como el denominador de la
fórmula anterior de la varianza del estimador de
máxima verosimilitud de q:
n
Un test de 20 ítems se aplicó a una muestra de
100 personas. Sabiendo que el error típico de estimación fue 0,20 para un valor estimado de q§ = 2,
calcular al nivel de confianza del 95 % entre qué valores se estima que se encontrará q.
1. NC 95 %: Zc = ±1,96.
© Ediciones Pirámide
/ 233
I (θ ) =
[ P ′(θ )]2
∑ P (θi )Q (θ )
i =1
i
donde:
n: Número de ítems.
Pi′(q): Derivada de Pi(q).
i
[7.37]
234 /
Introducción a la Psicometría
Ejemplo
Pi(q): Valores de las CCI de los ítems.
Qi(q): Igual a 1 – Pi(q).
Se aplicó un test de 25 ítems a una muestra de
1.000 personas. La función de información para
q = 2,5 resultó ser I(q) = 4. Al nivel de confianza
del 95 %, ¿entre qué valores se estima que se encontrará q?
Por tanto, la función de información de un test
para un determinado valor de q es la inversa de la
varianza de sus errores de estimación para ese valor:
Se2 = var (θ̂ θ ) =
1
I (θ )
l. NC 95 %: Zc = ±1,96.
2.Error máximo: (Zc)[I(q)]–1/2 = (1,96)[4]–1/2 =
—
= (1,96)(1/√ 4 ) = 0,98.
3. (q§ – 0,98) ⩽ q ⩽ (q§ + 0,98)
(2,5 – 0,98) ⩽ q ⩽ (2,5 + 0,98)
1,52 ⩽ q ⩽ 3,48.
o, lo que es lo mismo:
var (θ̂ θ ) = [I (θ )]–1
En consecuencia, I(q) puede utilizarse para establecer los intervalos confidenciales expuestos en el
apartado anterior, donde:
Se =
La función de información (FI) es, pues, un indicador de la precisión del test. Tiene sentido conceptual la denominación de «función de información» dado que cuanto mayor sea I(q), menor será
el error típico de estimación y, por tanto, mayor
será la información que las estimaciones aportan
sobre el parámetro q. Si la FI se calcula para todos
los niveles de q, se obtiene una curva del tipo de las
que aparecen en la figura 7.21.
Según la figura 7.21, el test 1 aporta información máxima para los valores de q en torno a 1,5,
mientras que el test 2 tiene su eficacia máxima para
1
I (θ )
si se prefiere:
Se = [I (θ )]–1/2
Se puede sustituirse por:
I(q)
[I (θ )]–1/2
1
2
–3,0
–2,0
–1,0
0,0
1,0
2,0
3,0
4,0
q
Figura 7.21.—Funciones de información de dos tests.
© Ediciones Pirámide
Teoría de respuesta a los ítems
valores de q en torno a –1. No se le escapará al lector la importancia de la FI a la hora de construir
un test claramente se elegirá el 1 para medir en torno a q = 1,5 y el 2 para hacerlo en torno a q = –1.
Además, si se dispone de un conjunto de ítems calibrados, esto es, con los parámetros estimados, se
puede construir un test de tal manera que se ajuste
a una FI previamente determinada según los objetivos perseguidos. Por ello, la FI se convierte en una
herramienta imprescindible a la hora de construir y
analizar test.
Modelos
Un parámetro
/ 235
7.3. Funciones de información
de los modelos logísticos
Vista la fórmula general de I(q), vamos a especificar qué valores toma para cada uno de los modelos logísticos de uno, dos y tres parámetros, ya
que la derivada de las CCI, Pi′(q), no será la misma en los tres modelos. En el siguiente cuadro tomado de Hambleton y Swaminathan (1985) se
ofrecen los valores de Pi′(q) y de I(q) para los tres
modelos.
PiV(q)
I(q)
DPi (θ )Qi (θ )
∑ D2 Pi (θ )Qi (θ )
n
i =1
n
Dos parámetros
Tres parámetros
DaiQi (θ )[Pi (θ ) – ci ]
(1 – ci )
7.4. Función de información de los ítems
Todos los conceptos anteriores referidos a la
función de información del test son aplicables a
cada ítem por separado. Precisamente una de las
propiedades más importantes de la función de información del test es que es la suma de las funciones de
información de los ítems. Análogamente a lo dicho
para el test, la FI del ítem viene dada por:
I (θ ) =
[ Pi ′(θ )]2
Pi (θ )Qi (θ )
[7.38]
donde Pi′(q), Pi(q) y Qi(q) tienen idéntico significado
al ya señalado en el apartado anterior para el test.
Nótese que la única diferencia con la Fl del test es
que ha desaparecido el sumatorio, que indicaba
que, para obtener la FI del test, había que sumar las
FI de los ítems. Esta propiedad aditiva de la FI del
test respecto de las de los ítems va a permitir poder
confeccionar su forma según convenga eligiendo los
ítems con una FI determinada.
© Ediciones Pirámide
∑ D2 ai2 Pi (θ )Qi (θ )
Dai Pi (θ )Qi (θ )
i =1
n
D 2 ai2Qi (θ )[Pi (θ ) – ci ]2
Pi (θ )(1 – ci )2
i =1
∑
La FI de los ítems constituye un poderoso instrumento para el análisis de los ítems, indicando no
solo la cantidad de información que el ítem aporta
a la medida de q, sino también, y lo que es tal vez
más importante, a qué nivel de q aporta dicha información (véase lo dicho en la figura7.22).
El ítem 1 aporta información máxima en torno a
valores de q = –1,5; el ítem 2, en torno a q = 0, y el
ítem 3, para q = 2. Es importante advertir que si se está
interesado en medir q para valores bajos, por ejemplo,
entre –2 y –1, el ítem 1 le daría mucha más información que el 2, y para valores altos el 3. Actualmente la
FI de los ítems es el método de análisis de ítems más
utilizado por los constructores de test, permitiéndoles
mediante la combinación de los ítems obtener test
ajustados a sus necesidades. Por ejemplo, si se lleva a
cabo una selección de personal en la que se va a elegir
a solo unos pocos muy competentes, se construiría un
test formado por ítems del tipo del 3, que es el que más
información aporta para niveles altos de q. La FI también permitirá disminuir dramáticamente el número de
ítems de un test sin pérdida relevante de la información
aportada, descartándose aquellos que apenas aporten
información a la medición.
Introducción a la Psicometría
1
I(q)
236 /
–4
–3
–2
3
2
–1
0
q
1
2
3
4
Figura 7.22.—Funciones de información de tres ítems.
7.5. Información máxima
La FI de los ítems para los modelos logísticos
de uno, dos y tres parámetros es la misma que la ya
explicitada para el test en el apartado anterior, prescindiendo del signo sumatorio.
En la figura 7.23 aparece representada la función de información de un test, obtenida al sumar
las FI de sus cinco ítems.
En los modelos logísticos de uno y dos parámetros la información aportada por los ítems es máxima para q = b y en el de tres parámetros para:
θ = b + (1/Da){ln [1/2 + (1/2) (1+ 8c) ]}
[7.39]
I(q)
Test
Ítems
–4
–3
–2
–1
0
q
1
2
3
4
Figura 7.23.—Funciones de información de cinco ítems y función de información del test formado por esos cinco ítems.
© Ediciones Pirámide
Teoría de respuesta a los ítems
La cuantía de la información aportada en ese
punto de q, en el que dicha información es máxima,
viene dada por D2/4 y D2a2/4 para los modelos logísticos de uno y dos parámetros respectivamente, y por
I (θ ) = [D 2 a 2 /8(1 – c)2 ]
[1 – 20c – 8c 2 + (1 + 8c)3/2 ]
[7.40]
para el modelo de tres parámetros (Lord, 1980;
Hambleton y Swaminathan, 1985).
/ 237
y el valor de las ponderaciones wi que maximizan la
función de información serán para los modelos logísticos:
Un parámetro: wi = D
Dos parámetros: wi = Dai
Tres parámetros: wi = [DaiPi(q) – ci]/[Pi(q)(1 – ci)]
Ello quiere decir que en el modelo logístico de
un parámetro los ítems no se ponderan distintos
unos de otros, todos se multiplican por la constante D. La puntuación total del test (X ) viene dada
n
Ejemplo
por la suma de las puntuaciones de los ítems,
Cierto ítem de un test se ajusta a un modelo
logístico de tres parámetros con a = 1, b = 0,75 y
c = 0,20. ¿Para qué valor de q aporta más información la medición realizada por el ítem? ¿Cuál es la
cuantía de la información aportada para dicho valor de q? Sustituyendo en las fórmulas expuestas:
θ = 0,75 + [(1/1,7)(1)]{ln [1/2 + 1/2 1+ 8(0,20) ]} =
= 0,91
Multiplicada por D, es decir:
∑ xi .
i =1
n
X = D ∑ xi
[7.41]
i =1
En el modelo logístico de dos parámetros cada
ítem se pondera multiplicándolo por su parámetro
ai; en consecuencia, la puntuación total del test (X )
vendrá dada por:
I (θ ) = [(1,7)2 (1)2 /8(1 – 0,20)2 ] ×
n
X = D ∑ ai xi
× {1 – 20(0,20) – 8(0,20)2 + [1 + 8(0,20)]3/2 } =
[7.42]
i =1
= 0,49
Por tanto, el ítem aporta información máxima
a la medida de q cuando q = 0,91; sería un ítem
óptimo para utilizarlo en la medición de q para valores en torno a 0,91; en concreto para q = 0,91 la
información aportada por el ítem es de 0,49.
donde n es el número de ítems y ai el índice de discriminación de cada ítem.
Análogamente, para el modelo logístico de tres
parámetros la puntuación total del test (X ) vendrá
dada por:
n
7.6. Ponderación óptima de los ítems
Como señalan Birnbaum (1968) y Lord (1980),
es posible asignar a los ítems ciertas ponderaciones
para maximizar la información que proporcionan.
Si a cada ítem se le asigna, por ejemplo, una ponderación wi, la función de información del test vendrá dada por:
⎡ n
⎤2
⎢ ∑ wi Pi ′(θ ) ⎥
⎢i =1
⎥⎦
I (θ , X ) = n⎣
∑ wi2 Pi (θ )Qi (θ )
i =1
© Ediciones Pirámide
X =
Dai [Pi (θ ) – ci ]
xi
i = 1 Pi (θ )(1 – ci )
∑
[7.43]
Al contrario que en los casos anteriores, las
ponderaciones en el modelo de tres parámetros dependen del nivel de q, reflejado en la fórmula por
Pi(q), característica esta no muy deseable para un
modelo.
7.7. Eficiencia relativa de dos test
Una de las aplicaciones prácticas más interesantes de la FI es que permite comparar de un modo
238 /
Introducción a la Psicometría
muy adecuado la eficacia de dos test para medir q
a sus distintos niveles o valores. Se denomina eficiencia relativa (ER) de dos test para un determinado valor de q al cociente entre las funciones de información de cada test para dicho valor de q:
ER =
I (θ x )
I (θ y )
[7.44]
donde:
I(qx): Función de información del test X para
q = qj.
I(qy): Función de información del test Y para
q = qj.
Por ejemplo, si la FI de un test X para q = 1
vale I(qx) = 10 y la FI de otro test Y para ese mismo
valor de q = 1 vale I(qy) = 5, la eficacia relativa en
ese punto de q vendrá dada por 10/5 = 2. A ese nivel (q = 1) el test X aporta el doble de información
que el Y.
Ahora bien, tal vez ello no ocurra a todos los
niveles de q, denominándose función de eficiencia a
la curva que une los valores de la eficiencia relativa
calculados a los distintos niveles de q.
Véase en la figura 7.24 la función de eficiencia
para dos test, X e Y. Para valores de q por debajo
de –1,5 el test X es menos eficiente que el Y, ya que
esos valores I(qx)/I(qy) < 1. Para valores de q entre
–1,5 y 2 ocurre lo contrario, el test X es más eficiente: I(qx)/I(qy) > 1. Finalmente, para valores de q superiores a 2 la eficacia de ambos es similar. Trate el
lector, a modo de ejercicio, de dibujar dos (posibles)
funciones de información que podrían tener los dos
test para dar lugar a la función de eficiencia aquí
representada.
Las aplicaciones de la función de eficiencia son
numerosas, amén de la obvia de comparar dos test,
que no es poco; piénsese, por ejemplo, en la comparación de un test consigo mismo, pero cuyos ítems
se ponderan de diferente modo en dos ocasiones, o
se les cambia el número de alternativas, etc. La gran
ventaja en todos los casos es que la función de eficiencia permite establecer estas comparaciones para
los distintos niveles de q. Por ejemplo, Lord (1980,
p. 111) ilustra gráficamente cómo al disminuir el
número de alternativas de los ítems de un test (SATV) este aumenta su eficiencia para las personas
competentes (valores altos de q), mientras disminuye para los niveles bajos de q, lo que representa un
nuevo enfoque al problema clásico del número óptimo de alternativas por ítem.
2,00
ER
1,50
1,00
0,50
0,00
–3,0
–2,0
–1,0
0,0
1,0
2,0
3,0
q
Figura 7.24.—Función de eficiencia de dos test.
© Ediciones Pirámide
Teoría de respuesta a los ítems
7.8. Función de información
y transformaciones de q
La función de información es como se ha visto
de gran utilidad en el estudio y análisis de los test y
de los ítems, y es actualmente masivamente utilizada
a tal efecto por los aplicadores, usuarios y constructores de test. Para su correcta interpretación ha de
tenerse en cuenta que la FI depende de la escala en la
que se encuentren expresados los valores de q. Y, dado
que esta escala es en cierto modo arbitraria, como
ya hemos visto, el concepto y valor de la FI no es
absoluto, depende de la escala elegida para q. Esto
no supone un grave inconveniente o desdoro para la
utilidad de la FI, pero su ignorancia puede llevar a
conclusiones erróneas acerca de la información proporcionada por el test para los diferentes niveles de
q. En concreto, según demuestra Lord (1980), si se
lleva a cabo una transformación monotómica de q,
la FI queda dividida por el cuadrado de la derivada
de la transformación. Si denominamos I(q) a la FI
original, qt a la transformación realizada e I(qt) a la
FI resultante tras la transformación de q en qt, lo
dicho puede expresarse del siguiente modo:
I (θ )
I (θt ) =
I (θt′ )2
se en otra cualquiera con tal de que se elija la transformación de q oportuna.
En suma, la FI está íntimamente ligada a la métrica de q y su interpretación y, en consecuencia, ha
de ceñirse a ella. Sin embargo, la eficiencia relativa de
dos test no se ve afectada por la transformación monotómica de la escala de q. Veámoslo a continuación.
Para dos test X e Y su eficiencia relativa (ER)
viene dada como se ha visto por:
ER =
I (θ x )
I (θ y )
La ER tras la transformación (ERt) será a su vez:
ERt =
I (θtx ) I (θ x )/I (θtx′ )2
=
I (θty )
I (θ y )/I (θty′ )2
Ahora bien, (qtx′ q)2 = (qty′ )2; puesto que ambos
test están en la misma escala q, la transformación
realizada qt es idéntica en ambos, y así lo serán consecuentemente las derivadas correspondientes. Por
tanto:
ERt =
[7.45]
La nueva FI resultante I(qt) no solo puede ser
completamente distinta a la original I(q), sino que,
como señala Lord (1980), una FI puede transformar-
/ 239
I (θtx ) I (θ x )
=
= ER
I (θty ) I (θ y )
Esta propiedad de la invarianza de la ER respecto de transformaciones monotómicas de q hace
de la ER un excelente instrumento para el análisis
comparativo de los test.
EJERCICIOS
1. En la tabla adjunta se ofrece la información aportada por los cinco ítems de un test para distintos
valores de q:
Ítem
1
2
3
4
5
© Ediciones Pirámide
q
–3
–2
–1
0
1
2
3
0,01
0,02
0,07
0,20
0,01
0,03
0,06
0,15
0,60
0,06
0,06
0,10
0,20
0,30
0,09
0,07
0,20
0,15
0,20
0,10
0,24
0,30
0,09
0,10
0,20
0,08
0,10
0,04
0,03
0,70
0,02
0,07
0,01
0,02
0,22
240 /
Introducción a la Psicometría
1.Elabore la función de información del test
para los valores q de la tabla y represéntela
gráficamente.
2.Si se construyen dos test, el A formado por
los ítems 1, 3 y 4, y el B por los ítems 2 y 5,
¿cuál es la información dada por cada uno
de ellos para q = 2? ¿Cuál es la eficiencia
relativa de A y B para q = 2?
3.Si se desea disponer de un test que en el
punto q = 1 ofrezca una información de 1,5
a base de ítems todos ellos idénticos al ítem
2, ¿cuántos ítems debería tener al menos el
test?
4.Si los cinco ítems constituyesen un test referido al criterio destinado a dividir a las
personas en expertos/no expertos, ¿a qué
nivel de q se llevaría a cabo el corte con una
mayor precisión?
5.¿Qué función de información debería tener
un sexto ítem para que la función de información del nuevo test de seis ítems fuese la
siguiente para los valores q?: 0,40, 1,00,
1,02, 1,10, 1,20, 0,97, 0,40.
2. Mediante el modelo logístico de un parámetro se estimó que la dificultad de uno de los ítems
de un test era b = 1.
1. Para un valor de q = 2,
1.1. ¿Qué cantidad de información aporta
este ítem a la medición?
1.2. ¿A qué nivel de q aporta máxima información el ítem?
1.3. ¿Cuál es el valor máximo de información aportada por el ítem?
4. Mediante el modelo logístico de tres parámetros se estimaron los siguientes valores de los parámetros para uno de los ítems del test: a = 0,50,
b = 1,00 y q = 0,20.
1. Para un valor de q = 2,
1.1. ¿Qué cantidad de información aporta
este ítem a la medición?
1.2. ¿A qué nivel de q aporta máxima información el ítem?
1.3. ¿Cuál es el valor máximo de información aportada por el ítem?
5. A continuación aparecen los valores de los
parámetros estimados para tres ítems de un test mediante el modelo logístico de tres parámetros.
Ítems
a
b
c
1
2
3
0,4
0,8
1,1
1,0
1,2
0,7
0,20
0,10
0,25
1.Para el nivel q = 2,
1.1. ¿Qué cantidad de información aporta
este ítem a la medición?
1.2. ¿A qué nivel de q aporta máxima información el ítem?
1.3. ¿Cuál es el valor máximo de información aportada por el ítem?
3. Utilizando el modelo logístico de dos parámetros, se estimaron los siguientes valores de los
parámetros para uno de los ítems del test: a = 0,50
y b = 1,00.
1.¿Qué cantidad de información aporta cada
uno de los ítems para el nivel de q = 1,5?
2.¿Cuál es el valor de la función de información del test formado por esos tres ítems
para q = 1,5?
3.Si hubiese que descartar uno de los ítems,
tomando como criterio la información
aportada, ¿cuál de los tres se eliminaría?
SOLUCIONES
1.1.
2.
3.
0,31, 0,90, 0,75, 0,72, 0,93, 0,95, 0,34.
A: 0,15; B: 0,80; ER = 0,19.
5.
4. q = +2.
5. 0,09, 0,10, 0,27, 0,38, 0,27, 0,02, 0,06.
2.1.1. 0,39.
© Ediciones Pirámide
Teoría de respuesta a los ítems
1.2.
1.3.
3.1.1.
1.2.
1.3.
4.1.1.
1.
0,72.
0,15.
1.
0,18.
0,11.
8. BANCOS DE ÍTEMS
8.1. Concepto y desarrollo
Un banco de ítems no es otra cosa que un conjunto de ítems organizados cuyas propiedades psicométricas se conocen. La idea no es nueva, de una
forma u otra siempre se han utilizado, pero en la
actualidad se dan dos circunstancias potenciadoras.
Por un lado, los ordenadores e internet ofrecen
grandes ventajas a la hora de un almacenamiento
eficaz y de una recuperación y búsqueda rápidas y
eficientes. En este sentido, el ordenador no añade
nada sustantivo desde el punto de vista conceptual,
pero sus posibilidades instrumentales son notorias
y obvias. Por otra parte, y más importante, la TRI
permite, como se ha visto, expresar las propiedades
de los ítems en términos de parámetros invariantes
respecto de las personas, por lo que los profesionales e investigadores pueden elegir el tipo de ítem
más indicado para sus objetivos, siempre, claro está,
que el banco de ítems sea suficientemente amplio y
heterogéneo. Prueba documental de esta vigencia
es, por ejemplo, el número especial dedicado al
tema por la revista Applied Psychological Measurement en 1986, y especialmente interesante el trabajo
pionero de Chopin (1976), así como los de Millman
y Arter (1984), Wright y Bell (1984), Ward y Murray (1994), Bergstrom y Gershon (1995) o Umar
(1999). Buenas revisiones recientes pueden consultarse en Vale (2006) y Muckle (2016), y en español
en Barbero (1996, 1999).
Dos aspectos de los bancos de ítems han de entenderse cabalmente: uno, cómo se construyen, y
otro, cómo se procede a partir de ellos para elaborar test con determinadas características. Para construir un banco de ítems, una vez definido de forma
adecuada el constructo que mide el banco, hay que
desarrollar los ítems de forma pertinente (Haladyna
y Rodríguez, 2013; Lane et al., 2016; Moreno, Mar© Ediciones Pirámide
1.2.
1.3.
5. 1.
2.
3.
/ 241
1,32.
0,12.
0,078; 0,374; 0,376.
0,83.
1.
tínez y Muñiz, 2006, 2015) y luego estimar los parámetros correspondientes, tal como se ha expuesto
al presentar los modelos de TRI. Sería, valga la
analogía, como construir un inmenso test bajo la
óptica de la TRI, aunque nada impide, naturalmente, utilizar también los indicadores de la teoría clásica. Existe, no obstante, el problema adicional de
cómo añadir nuevos ítems una vez que se han calibrado n ítems por el procedimiento anterior. Supóngase que se han calibrado inicialmente 500
ítems en una muestra de 20.000 personas; se dispone, por tanto, de un banco de 500 ítems. Si se elaboran 100 nuevos ítems, el problema de añadirlos al
banco radica en que hay que calibrarlos en la misma métrica que el banco. Hay varios posibles diseños para llevar a cabo esta equiparación métrica. El
más habitual y práctico consiste en aplicar los nuevos ítems a una muestra amplia de personas, a las
que también se aplica otro test compuesto por ítems
pertenecientes al banco ya calibrado (test de anclaje). Este test común de anclaje u otros diseños permite establecer la conexión entre las dos métricas,
la del banco y la surgida en la nueva calibración.
Para más detalles, véase el apartado siguiente sobre
la equiparación de las puntuaciones. Por estos procedimientos se puede ir aumentando el número de
ítems del banco y disponer de una buena descripción de la variable a medir. En realidad, todo lo
dicho en la TRI respecto a las invarianzas de las
medidas de los test tiene sentido cuando se dispone
de un banco de ítems. Si el modelo se ajusta a los
datos, ciertamente la medida es invariante respecto
del subconjunto de ítems (test) del banco elegidos
para obtenerla.
Las posibilidades para la elaboración de test a
partir de los bancos de ítems son inmensas. Amén
del usuario, que se encuentra con los ítems hechos y
calibrados, con lo que ello supone en ahorros de
todo tipo, lo más importante es que permiten confeccionar test con determinadas características espe-
242 /
Introducción a la Psicometría
(MIR) y psicólogos internos residentes (PIR); piénsese lo descabellado que sería utilizar un test cuya
FI fuese similar a la 1 o a la 2 de la figura 7.25,
pues, dado que solo se admite una mínima proporción de los candidatos, es obligado que el test proporcione información máxima para los más competentes, que serán los admitidos.
En la actualidad se dispone de software abundante para el manejo de los bancos de ítems, que va
desde Excel de Microsoft hasta sofisticados programas comerciales que funcionan online. Muckle
(2016) ofrece una buena descripción de algunos de
los programas:
cificadas a priori. Generalmente, esta especificación
se hace mediante la función de información. El
usuario escoge una determinada FI, que suele denominarse «función de información objetivo» y que
dependerá del tipo de personas con las que se va a
utilizar el test, eligiéndose ad hoc los ítems adecuados para generar dicha FI objetivo. Así, por ejemplo, si se va a evaluar a personas de alta competencia
se elegirá como objetivo una FI que dé información
máxima para valores elevados de q, y los ítems incluidos en el test serán los que se ajusten a esas exigencias. Los programas informáticos suelen ofrecer
la FI de cada ítem, por lo que se puede obtener la
del test requerido combinando pertinentemente las
de los ítems. La ventaja sobre la teoría clásica es
notoria: según un tipo de personas u otro, se utilizará el test más adecuado y las mediciones obtenidas
estarán, sin embargo, en la misma escala q.
Véanse en la figura 7.25 las FI de tres test. La
utilización de uno u otro dependerá de los objetivos
del psicólogo: el test 1 discrimina eficientemente entre las personas inferiores en q; el 2, entre las medias, y el 3, entre las superiores; las medidas proporcionadas por los tres están en la misma escala q.
Las implicaciones para la construcción de pruebas
adecuadas serán enormes, por poner un ejemplo
bien conocido en nuestro país, como es el caso del
test de admisión para médicos internos residentes
I(q)
1
–4
–3
–2
Los bancos de ítems constituyen cada día más
el centro neurálgico de los procesos evaluativos, reclamando la interacción entre los actores que par-
3
2
–1
www.taotesting.com
www.zoomorphix.com
www.questionmark.com
www.examdesign.com
www.fasttestweb.com
www.castleworldwide.com
www.certmanserv.com
www.panpowered.com
www.proexam.org
www.testys.com
TAO:
Exam Studio:
Questionmark:
ExamDeveloper:
Fast Test:
ADE:
AUTHORize:
pan:
ProExam bank:
ITS:
0
q
1
2
3
4
Figura 7.25.—Funciones de información de tres ítems.
© Ediciones Pirámide
Teoría de respuesta a los ítems
ticipan en la evaluación: psicómetras, expertos en
programación, especialistas en el constructo evaluado, autores de los ítems, los editores de test y otras
partes legítimamente implicadas que habrá que determinar en cada situación concreta. El reto futuro
de los bancos de ítems es dar acogida y gestionar de
forma adecuada las grandes novedades que están
ocurriendo en la evaluación psicológica y educativa,
con especial mención para la construcción de ítems
informatizados (Sireci y Zenisky, 2016), la generación automática de ítems (Gierl y Haladyna, 2013),
los test adaptativos informatizados (Olea et al., 1999;
Van der Linden y Glas, 2010) y el diseño óptimo de
los test (Van der Linden, 2016). Una gran preocupación práctica de quienes gestionan los bancos es evitar perder ítems que se van «quemando» tras sucesivas aplicaciones, pues resulta muy costoso en tiempo
y dinero incorporar nuevos ítems a los bancos, dado
que es necesario todo un proceso de construcción,
validación y calibración. Algunos expertos estiman
que el precio de incorporar un nuevo ítem a un banco puede llegar a rondar los mil dólares (Downing,
2006; Muckle, 2016; Vale, 2006), lo cual da una idea
de los medios necesarios, si tenemos en cuenta que
un banco puede alcanzar varios miles de ítems.
9. EQUIPARACIÓN DE PUNTUACIONES
9.1. Concepto y técnicas
Seguramente el lector se hallará sorprendido de
que, tras señalar repetidamente que la TRI permitía
obtener medidas independientes de los instrumentos de medida, se esté hablando ahora de equiparar
puntuaciones obtenidas con distintos instrumentos.
La sorpresa está justificada si se ha comprendido
todo lo anterior. Ciertamente, si se dispone de un
conjunto de ítems (banco de ítems) calibrados, esto
es, de los cuales se conocen sus parámetros previamente estimados, y el modelo de TRI se ajusta a los
datos, entonces es indiferente qué subconjunto de
ellos se utilice como test, pues todos darán las mismas estimaciones de q para las personas. En otras
palabras, el instrumento utilizado sí es invariante
respecto de la medida de q. Desde el punto de vista
de la TRI no habría, por tanto, ninguna necesidad
de establecer equivalencias entre los valores de q dados por los distintos test, ya que están en la misma
© Ediciones Pirámide
/ 243
escala q. (No confundir q con las puntuaciones empíricas de las personas en los test o con las verdaderas estimadas en ellos.)
En conclusión, cuando se dispone de un banco
de ítems calibrados la estimación de q no depende
del subconjunto de ítems (test) elegidos para estimarla; las estimaciones son invariantes respecto del
instrumento de medida; por tanto, el establecimiento de equivalencias entre los test es innecesario dentro del marco de la TRI. Otra cosa bien distinta es
que, por razones prácticas, se desee establecer una
relación no entre los valores estimados de q, que
como se acaba de decir son los mismos, sino entre
las puntuaciones verdaderas estimadas en cada test,
o entre las empíricas. Dicha relación es inmediata a
partir de la curva característica de los test, como se
observa en la figura 7.26.
Supongamos que los test de la figura 7.26 constan de 100 ítems cada uno. Para un valor de q = 0,30
el valor de la CCT para el test A vale 50 y para el
test B vale 10. Es decir, obtener 50 puntos en el test
A es lo mismo que obtener 10 en el B, ambos generan una q = 0,30. Para el resto de los valores se procede análogamente, pudiendo establecerse una representación gráfica de la correspondencia entre las
puntuaciones de uno y otro test. Estrictamente, 50
y 10 serían las puntuaciones verdaderas estimadas
y, en la medida en que el modelo se ajuste a los datos, también las empíricas. Como el ajuste perfecto
no es lo usual, existen algunos métodos para matizar la equiparación de las empíricas a partir de las
verdaderas estimadas, en vez de considerarlas intercambiables sin más (véanse, por ejemplo, Hambleton y Swaminathan; 1985; Lord, 1980). No obstante, en la práctica las diferencias son insignificantes
si el modelo se ajusta razonablemente (Lord y Wingersky, 1983), y, claro, si no se ajusta, hay que descartarlo. La única ventaja que puede tener hablar en
términos de las puntuaciones en los test y no de los
valores estimados de q es la mejor comprensión por
parte de los usuarios y clientes no muy familiarizados con la TRI, pero la información proporcionada
es estrictamente la misma, ya que las puntuaciones
estimadas verdaderas en el test son una transformación de q mediante la curva característica del test.
Ahora bien, la situación real más habitual
(otras muchas son pensables) no es la precedente e
idílica en la que se dispone de un gran banco de
ítems calibrados en la misma métrica del cual se
244 /
Introducción a la Psicometría
A
100
B
80
60
V
40
20
0
–3,0
–2,0
–1,0
0,0
q
1,0
2,0
3,0
Figura 7.26.—Equiparación de las puntuaciones verdaderas estimadas de dos test, mediante sus curvas características.
extraen subconjuntos de ítems (test) para aplicar
según las conveniencias. Entre otras cosas, no lo es
porque los test se suelen «quemar» tras su utilización en una ocasión, especialmente en algunos países en los que existe una legislación que obliga a
hacerlos públicos junto con las respuestas una vez
que se han corregido y puntuado. Además, para calibrar los ítems e incluirlos en el banco habría que
aplicarlos previamente a una muestra análoga a la
de interés, con el consecuente riesgo de filtraciones.
Piénsese que, en determinados casos, la puntuación
puede ser de gran importancia para la vida futura
de las personas: acceder o no a la universidad, ser
admitido en una profesión, etc., con todo un negocio de escuelas y academias preparando y entrenando a tales efectos. Evidentemente, más que un problema teórico interesante de la medición psicológica
o educativa, es este un problema típicamente aplicado y que se plantea sobre todo a las instituciones
dedicadas a la construcción y uso sistemático de
test con distintos fines. Así que la situación más frecuente en estos casos es disponer de un cierto banco de ítems calibrados en una métrica común y utilizados previamente y de un nuevo test sin calibrar
en la misma métrica y que se va a usar en una
próxima evaluación. El problema es ahora cómo
equiparar las estimaciones de q proporcionadas por
el nuevo test aplicado a nuevas personas con las generadas por los anteriores test cuyos ítems están
calibrados en otra métrica. En suma, es un problema de convertir la nueva métrica a la anterior. La
dificultad proviene de que las personas, y los ítems,
son distintos; si fuesen los mismos, sencillamente se
estimarían los parámetros conjuntamente en una
métrica común, con lo que los valores estimados de
q serían invariantes. La solución habitual es la ya
citada en la construcción de los bancos de ítems, y
consiste en incluir en el nuevo test un conjunto de
ítems calibrados en la métrica del test (o banco) con
el que se desea hacer equivaler el nuevo, esto es,
utilizar un test de anclaje. Si, por ejemplo, el nuevo
test consta de 100, se le añaden 20 calibrados que
no van a ser generalmente utilizados en la calificación pero que servirán para establecer el vínculo
entre la anterior y presente métrica. Para ello se calibra el nuevo test, incluidos los ítems de vínculo,
estimando los parámetros de los ítems y los valores
de q para cada persona. A continuación se establece la relación lineal entre los parámetros b de los
ítems comunes (test de anclaje) a ambas calibraciones, en el ejemplo 20, y que en términos generales
vendrá dada por:
bp = (K )bn + D
[7.46]
© Ediciones Pirámide
Teoría de respuesta a los ítems
donde:
bp:Valor del parámetro b de los ítems de
anclaje en la métrica primitiva.
bn: Valor en la nueva métrica.
K y D:Constantes a determinar según los datos.
La relación sería idéntica para los parámetros
a; la única razón por la que suele utilizarse b para
estimar K y D es su mayor estabilidad.
La relación entre los parámetros b, según se ha
visto al tratar de las transformaciones de q, es aplicable también a q, con lo que las estimaciones del
nuevo test se transforman a la métrica del antiguo.
Los valores q de las personas en la métrica primitiva (qp) estarán conectados con los de la nueva (qn)
mediante la misma transformación lineal que b:
θ p = (K )θ n + D
[7.47]
TRI que se ajuste a los datos. (Si el test Y ya ha
sido utilizado, es de suponer que se disponga de
tales datos.)
Segundo. Estimar los parámetros de los ítems
y q para el nuevo test X, en el que además están
incluidos los ítems de anclaje.
Tercero. Calcular las constantes K y D. (Supongamos que los valores estimados de b para los
ítems de anclaje en la estimación primitiva hubiesen
sido, respectivamente: 1,40, 0,70, 1,00, 1,20, 0,80 y
en la nueva 1,24, 0,75, 0,90, 1,10, 0,74.)
Utilizando el método media-desviación típica
las constantes K y D vienen dadas por:
S ya
[7.48]
K =
Sxa
D = Ya – (K )X a
Para el caso del parámetro a:
a
ap = n
K
El parámetro c no viene afectado por el cambio
de métrica. Estimados bp y bn mediante la aplicación de un modelo de TRI, existen varios métodos
para determinar el valor de las constantes K y D,
entre los que cabe recomendar, según Hambleton y
Swaminathan (1985), los de regresión, media-desviación típica, media-desviación típica robustas y
métodos de curva característica. Aquí se ilustrará
un ejemplo de equiparación, paso a paso, utilizando el método lineal de media-desviación típica para
estimar las constantes K y D.
Aplicación
Veamos, mediante un ejemplo, las etapas que
hay que seguir para equiparar las puntuaciones de
dos test.
Sea un nuevo test X de coordinación visomotora que consta de 15 ítems, cinco de los cuales son
comunes (test de anclaje) a otro test Y, también de
coordinación visomotora, ya utilizado previamente.
Primero. Estimar los parámetros de los ítems
y q para el test primitivo Y mediante un modelo de
© Ediciones Pirámide
/ 245
[7.49]
— —
donde Sya, Sxa, Ya, Xa son las desviaciones típicas y
medias de los ítems de anclaje en ambas calibraciones. En el presente ejemplo:
K =
0,256
= 1,306
0,196
D = 1,02 – (1,306)(0,946) = –0,215
Por tanto, la fórmula de equiparación viene
dada por:
Y = (1,306)(X ) – 0,215
Es decir, para equiparar las puntuaciones q del
nuevo test X a las del primitivo Y, han de multiplicarse por 1,306 y sumarles –0,215.
Nótese que las constantes K y D no son otra
cosa que los valores provenientes de igualar las
puntuaciones típicas de los valores de b en el test de
anclaje para las dos calibraciones, la primitiva y la
nueva:
X a – X a Ya – Ya
=
Sxa
S ya
246 /
Introducción a la Psicometría
despejando Ya:
Ya =
1 S 2(X ) – 1 S 2(X ) + Y
S ya
S ya
a
xa
Ya =
a
a
xa
De modo que, para transformar los valores de
B en A se multiplica cada uno de ellos por 1,24 y
se suma 0,13. Por ejemplo, el ítem 22, cuyo valor en
el test B es 0,94, se transformaría en la nueva métrica en:
1 S 2(X ) + 3Y – 1 S 2(X )4
S ya
S ya
a
xa
a
xa
Ya = (K )(X a ) + D
donde:
K =
S ya
Sxa
y D = Ya – (K )(X a )
Cuarto. Convertir todos los valores del test X
a la escala del Y, o viceversa, mediante la relación
expuesta.
A continuación se ilustra lo dicho para los datos de un ejemplo. Sea un test (A) de inteligencia
espacial compuesto de 20 ítems que se aplicó a
una muestra de 600 estudiantes de bachillerato.
Posteriormente, a otra muestra también de 600
estudiantes de bachillerato se aplicó otro test (B)
de inteligencia espacial. En este segundo test B se
incluyeron cinco ítems de anclaje utilizados también en el test A, los cuales aparecen en negrita
en la tabla adjunta. Para la estimación de los parámetros se utilizó el modelo logístico de tres parámetros. En la tabla se reflejan los valores del
parámetro de dificultad b estimado para todos los
ítems.
Se van a transformar las puntuaciones del test
B a la métrica del test primitivo A. Para calcular las
constantes de equiparación K y D se obtiene la media y desviación típica de los ítems de anclaje para
ambos test. Para el test A la media de los ítems de
anclaje es 0,28 y la desviación típica 1,31; para el
test B, la media es 0,12 y la desviación típica 1,06.
Por tanto:
K =
0,94(1,24) + 0,13 = 1,29
a
1,31
= 1,24
1,06
D = 0,28 – (1,24)(0,12) = 0,13
Ítems
Test A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
–0,79
–0,59
–1,07
–1,35
–1,57
–0,33
0,67
–0,07
0,61
–1,22
–0,78
0,37
–0,29
0,06
–0,24
–1,90
–0,40
0,70
1,20
1,80
Test B
–1,50
–0,50
0,20
0,80
1,60
–0,43
0,94
0,12
1,64
0,97
0,98
0,61
–1,18
–0,67
–0,81
–0,78
–0,20
–0,25
–0,10
–0,62
–0,45
0,63
0,38
–1,30
0,09
Puntuaciones
equiparadas
–0,79
–0,59
–1,07
–1,35
–1,57
–0,33
0,67
0,07
0,61
–1,22
–0,78
0,37
–0,29
0,06
–0,24
–1,81
–0,44
0,54
1,16
1,95
–0,40
1,29
0,28
2,16
1,33
1,34
0,89
–1,33
–0,70
–0,87
–0,84
–0,11
–0,18
–0,01
–0,64
–0,43
0,91
0,60
–1,48
0,24
© Ediciones Pirámide
Teoría de respuesta a los ítems
Para el resto de los valores se procede del mismo modo, obteniéndose los valores de la columna
de la derecha de la tabla, correspondiente a las
puntuaciones del test B equiparadas para la métrica del test A. Nótese que, en el caso de los ítems de
anclaje, se han promediado los valores asignados
por la equiparación con los que de hecho tenían en
el test A, dado que ambos valores por lo general no
coincidirán exactamente. Así al ítem 16, por ejemplo, le correspondería un valor equiparado de:
(–1,5)(1,24) + 0,13 = –1,73; sin embargo, en la columna de la tabla correspondiente a las puntuaciones equiparadas aparece un valor de –1,81 que proviene de promediar ambos valores: [–1,73 +
+ (–1,9)]/2 = –1,81. Aquí, en mor de la sencillez,
solo se equiparan los valores de los índices de dificultad (b), pero la misma ecuación de equiparación
se utilizaría para las puntuaciones de las personas.
Los índices de discriminación (a) quedarían equiparados al dividirlos entre 1,24, y los valores del
parámetro c serían comunes para ambas métricas.
A modo de ejercicio puede el lector llevar a cabo la
equiparación utilizando el modelo de regresión y
comparar los resultados.
Señalar, finalmente, que, aunque aquí se ha ilustrado la equiparación mediante el método de media-desviación típica, debido a su sencillez, diversos
autores (Hambleton y Swaminathan, 1985; Stocking y Lord, 1983) recomiendan el de la media-desviación típica robustas o el método de la curva característica (Haebara, 1980; Stocking y Lord, 1983);
/ 247
la lógica de este último consiste en estimar K y D
de tal guisa que minimicen las diferencias entre las
puntuaciones verdaderas estimadas por los test entre los que se trata de establecer la equivalencia.
En la práctica, afortunadamente, los programas
informáticos utilizados con los modelos de TRI permiten llevar a cabo de un modo menos aparatoso el
establecimiento de equivalencias entre dos test para
la situación anteriormente descrita. El diseño ilustrado, en el que se utiliza un test común de anclaje
entre los dos test a equiparar, es el más habitual en
la práctica, por adaptarse bien a las situaciones
«realmente existentes»; ahora bien, el diseño de
equiparación más natural sería aplicar los dos test
a equiparar a la misma muestra de personas y estimar los parámetros de ambos conjuntamente en la
misma métrica. Cuando ello sea posible, así se recomienda. Incluso un tercer diseño (dos grupos equivalentes) consistiría en aplicar ambos test a dos
muestras aleatorias de la misma población, en cuyo
caso, dada la aleatoriedad, cabría esperar distribuciones parejas y se equipararían biunívocamente los
valores de q obtenidos en ambas calibraciones. Este
método es altamente peligroso y no recomendable,
amén de que para tal viaje no hace falta recurrir a
la TRI, se puede llevar a cabo desde la óptica clásica, como de hecho se ha venido haciendo con cierta
frecuencia. Para un tratamiento exhaustivo de los
problemas y métodos implicados en la equiparación, véanse Von Davier (2011) o Kolen y Brennan
(2014), y en español Navas (1996).
EJERCICIOS
1. Se aplicó un test de rendimiento académico
de 80 ítems a una muestra aleatoria de 1.000 estudiantes de bachillerato. Posteriormente, a otra
muestra aleatoria, también de estudiantes de bachillerato, se les aplicó otro test paralelo de rendimiento que incluía cinco de los ítems utilizados con la
primera muestra. En ambos casos se estimaron los
parámetros de los ítems y las puntuaciones q de los
estudiantes mediante el modelo logístico de tres parámetros.
En la tabla adjunta aparecen los valores de los
parámetros de dificultad (b) estimados en las dos
ocasiones.
© Ediciones Pirámide
Primera
aplicación (P)
Segunda
aplicación (N)
–1,5
–0,5
0,4
0,8
1,6
–1,9
–0,8
0,0
0,3
0,2
1.Calcule las ecuaciones que transforman los
valores de los parámetros a, b, c y q de la
nueva métrica (segunda aplicación) en los de
la métrica primitiva (primera aplicación).
248 /
Introducción a la Psicometría
4.Calcule la correlación entre las estimaciones
de los parámetros b de los ítems de anclaje
en las dos ocasiones.
5.¿Cuál es la correlación entre los valores de b
en la nueva métrica y las estimaciones ­hechas
a partir de ellos para la métrica primitiva? Comente las diferencias entre este valor de la correlación y el hallado en el apartado anterior.
2.Un estudiante obtuvo una puntuación
q = 1,3 en la segunda aplicación, ¿qué puntuación q le corresponde en el test utilizado
con la primera muestra?
3.Los parámetros estimados en la primera
aplicación para uno de los ítems fueron:
a = 0,75, b = 1,1 y c = 0,22. ¿Qué pará­metros
le corresponderían en la nueva métrica?
SOLUCIONES
1.1.
2.
3.
4.
5.
ap = an/1,02.
bp = 1,02(bn) + 0,4.
cp = cn.
qp = 1,02(qn) + 0,4.
10. FUNCIONAMIENTO DIFERENCIAL
DE LOS ÍTEMS
10.1. Concepto
El concepto de funcionamiento diferencial de
los ítems (FDI) ya se expuso al tratar el enfoque
clásico. Como se indicaba entonces, se trata de asegurarse de que los ítems de un test funcionan de
1,73.
0,76, 0,69, 0,22.
0,99.
1.
igual modo para dos o más grupos de personas evaluadas, no perjudicando ni favoreciendo a las personas pertenecientes a distintos grupos, por ejemplo
hombres y mujeres, distintas culturas, nacionalidades, etc. En términos de la TRI, un ítem mostrará
FDI para dos o más grupos si a valores iguales de
q no corresponden valores iguales de P(q) en las
curvas características de los grupos considerados.
En la figura 7.27 aparece la curva característica de
M
1,00
H
0,80
P(q)
0,60
0,40
0,20
0,00
–3,0
–2,0
–1,0
0,0
q
1,0
2,0
3,0
Figura 7.27.—Curva característica de un ítem en una muestra de mujeres (M ) y en otra de hombres (H ).
© Ediciones Pirámide
Teoría de respuesta a los ítems
un determinado ítem para dos grupos, uno de hombres y otro de mujeres.
Nótese que para un mismo valor de q = qj , la
probabilidad de acertar este ítem es superior para las
mujeres que para los hombres. Por tanto, el ítem funciona diferente para hombres y mujeres, estando claramente sesgado contra los hombres, es decir, a niveles iguales de competencia en la variable medida q no
se corresponden probabilidades iguales de superar el
ítem, están sistemáticamente a favor de las mujeres.
Más adelante se expondrán algunas técnicas para la
evaluación y cuantificación del funcionamiento diferencial de los ítems en el marco de la TRI.
Como es fácil de entender, el problema del FDI
viene acompañado de serias implicaciones en el uso
de los test, pues, de darse tal sesgo, ciertos grupos
sociales, clásicamente blancos-negros, mujereshombres, pobres-ricos, rurales-urbanos, etc. —cualquier otra partición es posible—, sufrirán las consecuencias. Si se toma una postura socialmente
militante y se afirma de antemano que las variables
psicológicas medidas han de tomar los mismos valores para los grupos citados, u otros, entonces la
definición de sesgo adoptada es mucho más lasa, a
saber, se hablará de sesgo siempre que se encuentren
diferencias entre los grupos. Nótese que de la definición original no se deriva esto: las comparaciones
no se establecen entre los grupos considerados globalmente, sino entre las personas de ambos grupos
que tienen el mismo nivel en la variable medida. Es
importante entender esta diferencia, pues es perfectamente posible que un ítem esté sesgado «contra»
determinada subpoblación según el primer concepto de sesgo y, sin embargo, este mismo grupo obtenga puntuaciones superiores a la subpoblación
«favorecida» por el sesgo. Dicha situación queda
ilustrada en la figura 7.28, en la que aparece la curva característica de un ítem para dos grupos, hombres (H ) y mujeres (M ).
El ítem en cuestión está sesgado contra los
hombres, pues para un mismo valor de q los valores
de P(q) son inferiores si la persona es hombre. Sin
embargo, la puntuación media de los hombres es
superior a la de las mujeres, lo cual depende de las
distribuciones de q y no de las CCI. En la práctica,
no se encontrarán habitualmente situaciones tan
claras como la utilizada aquí con el fin de ilustrar
las diferencias entre ambos enfoques.
M
1,00
P(q)
H
0,50
0,00
–3,0
M
q
H
Figura 7.28.—Ítem con un funcionamiento diferencial para hombres y mujeres.
© Ediciones Pirámide
/ 249
250 /
Introducción a la Psicometría
La psicometría se ocupa del sesgo tal como se
definió en primer lugar, es decir, entiende que un ítem
o un test están sesgados si personas igualmente competentes y pertenecientes a distintas subpoblaciones
no tienen la misma probabilidad de superar el ítem
(o test). Ahora bien, si dos personas tienen el mismo
nivel en una variable, ¿a qué se puede deber que un
ítem diseñado para medir esa variable pueda estar
sesgado, esto es, pueda ser más favorable a uno que
a otro? Las fuentes del sesgo son numerosas, y vienen
generadas principalmente por el distinto bagaje cultural, social, económico, etc., de las personas. Dado
que estos antecedentes históricos de las personas
nunca serán los mismos, y pueden ser marcadamente
distintos según la subcultura, si un ítem, o instrumento, en general, se apoya más en la de unos que en
la de otros, tendrá altísimas probabilidades de no ser
equitativo, de estar sesgado. Si, por ejemplo, un test
de matemáticas está formulado de tal modo que exige un alto nivel de comprensión verbal, estará sesgado contra los lectores menos eficientes. En términos
de diseño se confunde el efecto de la comprensión
verbal con el de la competencia matemática, es decir,
si una persona puntúa bajo en el test no sabremos a
ciencia cierta si atribuirlo a su bajo rendimiento en
matemáticas o a que su competencia verbal es limitada y no ha llegado a captar los problemas planteados. La casuística es interminable y puede decirse que
estrictamente no existen pruebas exentas completamente de sesgo; más bien se trata de detectar la cantidad de sesgo tolerable. Expuesto brevemente el concepto de funcionamiento diferencial, véanse Shepard
(1982), Holland y Wainer (1993), Osterlind y Everson (2009) o Dorans y Cook (2016) para un análisis
detallado. En español Fidalgo (1996) y Gómez, Hidalgo y Gilera (2010) llevan a cabo muy buenas exposiciones del tema. A modo de ilustración, se describen a continuación algunas de las técnicas sencillas
de que se valen los psicómetras para la detección del
funcionamiento diferencial de los ítems. En la actualidad los programas informáticos utilizados para estimar los parámetros de la TRI permiten asimismo
la evaluación del FDI.
10.2. Evaluación
Seguramente el método más eficiente para evitar en lo posible el funcionamiento diferencial de
los ítems sea un cuidadoso análisis de su contenido
por parte de varios expertos previo a su publicación. Una buena exposición sobre el modo de sistematizar y formalizar esta revisión es la de Tittle
(1982). Hecha tal revisión y aplicados los ítems a las
personas, aún cabe llevar a cabo ciertos análisis estadísticos que permiten detectar el funcionamiento
diferencial en ítems escapados al análisis previo. A
este tipo de técnicas estadísticas a posteriori nos referimos aquí, pero dejando claro que solo son un
complemento de un escrutinio riguroso previo.
La TRI parece venir como anillo al dedo para
la evaluación del FDI, como ya se apuntó al introducir el concepto. Bajo la óptica de la TRI un ítem
estará sesgado si su CCI no es la misma para los
grupos en consideración. En consecuencia, la lógica
general para evaluar el FDI será estimar las CCI
para ambos grupos y compararlas.
En las dos figuras que siguen se ilustran dos tipos de FDI. En la figura 7.29 el ítem representado
está claramente sesgado «contra» los hombres,
mientras que en la figura 7.30 el sesgo depende del
nivel de q: para valores bajos de q el ítem está sesgado contra los hombres, y para niveles altos, contra las mujeres. En el primer caso hablamos de FDI
uniforme, y en el segundo, de no uniforme, pues
depende de los valores de q.
Métodos para llevar a cabo la comparación de
las CCI se han propuesto varios, que van desde una
simple inspección visual de las CCI hasta complejos
análisis estadísticos (Berk, 1982; Camilli y Shepard,
1994; Fidalgo, 1996; Hambleton y Swaminathan,
1985; Lord, 1980; Rosenbaum, 1987; Rudner et al.,
1980; Shepard et al., 1981, 1984, 1985).
Aquí se comentarán brevemente algunos de ellos.
Método de las áreas
Por este método (Rudner, 1977; Rudner et al.,
1980), en un primer paso, se estiman las CCI de los
ítems cuyo funcionamiento diferencial se está estudiando para las dos (o más) subpoblaciones de interés, y a continuación se calcula el área comprendida entre las CCI. La cuantía del área constituye
un índice de la discrepancia entre las CCI y, en consecuencia, del FDI, pues si ambas CCI coincidiesen, el área entre ambas sería cero, sería la misma
CCI, no habría funcionamiento diferencial.
Más específicamente los pasos a seguir podrían
concretarse en los siguientes:
© Ediciones Pirámide
Teoría de respuesta a los ítems
M
H
1,00
P(q)
/ 251
0,50
0,00
–3
–2
–1
0
1
2
3
q
Figura 7.29.—Ítem con funcionamiento diferencial uniforme.
1,00
H
M
0,80
P(q)
0,60
0,40
0,20
0,00
–3,0
–2,0
–1,0
0,0
1,0
2,0
3,0
q
Figura 7.30.—Ítem con funcionamiento diferencial no uniforme.
1.Definir las subpoblaciones de interés, por
ejemplo, mujeres-hombres, rural-urbano,
universitarios-no universitarios, etc.
El grupo más amplio suele denominarse
«referencia», y el minoritario, «focal».
2.Elegir el modelo de TRI a utilizar.
© Ediciones Pirámide
3.Estimar los parámetros de los ítems para el
modelo elegido en cada subpoblación. Los
parámetros han de estar en la misma métrica en ambas subpoblaciones.
4.Se calcula el área comprendida entre ambas
CCI:
252 /
Introducción a la Psicometría
A=
θ = +4
∑
θ = –4
PR (θ j ) – PF (θ j ) Δθ
[7.50]
Se eligen los valores de q entre –4 y +4 porque
de hecho recogen la práctica totalidad de los valores empíricos, aunque en puridad –∞ y +∞ sería lo
correcto. El cálculo del área será más exacto para
valores pequeños del incremento de q(Δq), siendo
lo más usual utilizar Δq = 0,005. PR(q) y PF(qj)
son, respectivamente, los valores de P(q) para la
CCI en ambas subpoblaciones al ir sustituyendo q
desde –4 hasta +4 con incrementos sucesivos de
0,005. Es decir, para valores de q = –4, –3,995,
–3,990, –3,895, –3,890, ..., +3,995, +4. Nótese que
la expresión situada a la derecha del sumatorio representa el área de un rectángulo de base
Δq = 0,005 y altura | PR(qj) – PF(q)j |.
El método de Rudner no nos dice cuán grande
ha de ser el área entre las CCI para decidir que hay
FDI, es un método descriptivo, la decisión es subA = (1 – c)
A=
θ = +3
∑
θ = –3
[PR (θ j ) – PF (θ j )]2 Δθ
A = [PR (θ ) – PF (θ )]dθ
[7.53]
[7.51]
Los autores han sugerido muy atinadamente
que la importancia del FDI no será la misma para
todos los niveles de q, dependiendo de los objetivos perseguidos. Por ejemplo, si un test está destinado a la selección de un escaso número de aspirantes entre los más competentes, el FDI para
niveles medios-bajos de q será poco relevante. Los
propios autores proponen algunos métodos de
ponderación.
Raju (1988) ha propuesto una fórmula para calcular el área entre las CCI para los modelos logísticos de uno, dos y tres parámetros:
2(a2 – a1 )
ln [1 + e Da1a2 (b2 – b1)/( a2 – a1) ] – (b2 – b1 )
Da1a2
donde a, b y c son los parámetros de los ítems; D,
una constante que toma el valor 1,7, y q = 2,7182,
la base de los logaritmos neperianos. Para poder utilizar esta fórmula se asume que el valor del parámetro c es el mismo para los dos grupos analizados.
Nótese que para el caso del modelo de dos parámetros desaparece el término c, y para el caso del modelo de un parámetro la fórmula se reduce a la diferencia absoluta entre los valores de los parámetros
b de ambos grupos. Raju derivó posteriormente
(Raju, 1990) una fórmula para el error típico del
área, asumiendo que los cocientes entre el área y el
error típico se distribuyen según la curva normal.
Bajo este supuesto puede calcularse la significación
estadística del área, siempre en el supuesto de que
los parámetros c de ambas CCI son iguales. Las
fórmulas anteriores para el cálculo del área entre las
curvas características pueden expresarse conceptualmente de forma más general mediante integrales:
#
jetiva. Una idea comparativa puede obtenerse considerando varios ítems conjuntamente. Una ligera
modificación al método de Rudner (1977) es la propuesta por Linn et al. (1981):
[7.52]
Como se observa en la fórmula, las probabilidades del grupo de referencia se restan del focal; por
tanto, si el grupo de referencia es consistentemente
superior al focal a lo largo de la escala, el valor de
A será positivo, y si ocurre lo contrario, será negativo. Si el FDI es no uniforme podría ocurrir que los
valores positivos y negativos se anulasen, dando este
índice la falsa impresión de que no existe FDI cuando en realidad sí lo hay, aunque no uniforme. Para
evitar este inconveniente puede utilizarse la misma
fórmula, pero elevando las diferencias al cuadrado
y extrayendo la raíz cuadrada del resultado:
A=
! #[P (θ ) − P (θ )] dθ
R
F
2
[7.54]
La gran ventaja de los métodos de las áreas es
su sencillez y que resultan muy intuitivos como forma de cuantificar el área observable entre las CCI
del grupo de referencia y el focal. Tienen, sin embargo, dos claros inconvenientes. El primero, ya citado, es que dan el mismo peso a todas las superfi© Ediciones Pirámide
Teoría de respuesta a los ítems
cies a lo largo del continuo de la variable medida q,
si bien se han propuesto algunas formas de ponderación, tales como el número de personas del grupo
focal en cada rango de q o incluso el número total
de personas. El otro inconveniente es que si los valores del parámetro q del ítem para el grupo focal y
el de referencia son distintos, el valor del área resulta infinito, razón por la cual se acota el valor de los
índices entre dos valores tales como (–3, +3) o (–4,
+4), que en la práctica puede decirse que abarcan
todos los valores empíricos, aunque teóricamente el
rango vaya de –∞ a +∞.
Una vez calculada el área entre las CCI, cabe
preguntarse a partir de qué valor del área se debe
considerar que el ítem está funcionando diferencialmente para el grupo de referencia y el focal. No
existen pruebas de significación estadística apropiadas, por lo que hay que proceder de forma descriptiva. Por ejemplo, puede tomarse como línea base
la media de las áreas de todos los ítems y considerar
con FDI aquellos que más se alejen de ese valor
medio. O bien pasar a revisar directamente aquellos
ítems cuyas áreas sean mayores. Una forma más rigurosa de proceder, aunque más costosa, es comparar los valores de las áreas obtenidas para los grupos de referencia y focal con aquellas estimadas a
partir de submuestras aleatorias dentro del grupo
de referencia y del focal, que representarían las
áreas intercurva halladas por mero azar (Hambleton y Rogers, 1989). Lo más habitual es dividir aleatoriamente el grupo en dos mitades. Un posible criterio para decidir que un ítem tiene FDI sería que
su área superase el máximo valor hallado al azar en
las submuestras utilizadas. Una alternativa al uso
de submuestras es la utilización de datos simulados,
pues el empleo de submuestras tiene el inconveniente de que rebaja a la mitad el número de personas
a partir de las cuales se estiman los parámetros, con
la consiguiente inexactitud que ello introduce (Rogers y Hambleton, 1989). Aunque la determinación
estadística precisa de esta cuantía constituya un
problema metodológico interesante para los especialistas, en la práctica no supone un gran inconveniente, pues, ante la duda de si un ítem presenta
FDI o no, lo aconsejable es revisarlo, dado que en
este contexto más vale incrementar el número de
errores de tipo I (revisar ítems que no presentan
FDI) que de tipo II (no revisar ítems que presentan
FDI).
© Ediciones Pirámide
/ 253
Método de las probabilidades
Una forma de evitar los inconvenientes de ponderación de los métodos de las áreas es utilizar las
diferencias de probabilidades entre el grupo de referencia y el grupo focal solo en las zonas de q donde halla empíricamente personas del grupo focal.
Basándose en las recomendaciones al respecto de
autores como Linn y Harnisch (1981) y Shepard et
al. (1984), Camilli y Shepard (1994) proponen dos
índices sencillos y muy aconsejables. Nótese que, al
utilizar únicamente los valores de q para los cuales
hay empíricamente personas del grupo focal, lo que
se pretende es dar más importancia al FDI allí donde realmente hay personas pertenecientes al grupo
focal, y no en otras zonas de q donde no las hay.
Veamos los dos índices de diferencias entre probabilidades (DP):
DP =
nF
[PR (θ j ) – PF (θ j )]
j =1
nF
∑
[7.55]
donde:
s la probabilidad que las personas del
PR(qj): E
grupo de referencia tienen de superar el
ítem para el valor qj. Este valor viene
dado por la CCI del grupo de referencia.
PF(qj):Es la probabilidad que las personas del
grupo focal tienen de superar el ítem
para el valor qj. Este valor viene dado
por la CCI del grupo focal.
nF:Es el número de personas del grupo focal.
El sumatorio va desde 1 hasta el número total
de personas del grupo focal (nF), es decir, solo se
consideran aquellos valores de q obtenidos por los
miembros del grupo focal, lo cual, como ya se ha
señalado, es una forma de autoponderación basada
en las personas del grupo focal, dando más peso a
las zonas de q donde estas se encuentran y omitiendo las zonas de q en las que no hay personas del
grupo focal. No obstante, el método en sí no impide que la ponderación se haga utilizando el número
de personas de la muestra total, opción que en al-
254 /
Introducción a la Psicometría
gunos casos podría interesar. Los pasos a seguir
para calcular el índice DP pueden sintetizarse del
siguiente modo:
1.Estimar por separado las CCI para el grupo
de referencia y el focal.
2.Estimar las puntuaciones q de las personas
del grupo focal.
3.Calcular los valores de P(q) para el grupo
de referencia [PR(q)] y focal [PF(q)], correspondientes a los valores de las personas del
grupo focal.
4.Hallar las diferencias [PR(qj) – PF(qj)].
5.Se suman todas las diferencias [PR(qj) –
– PF(qj)] y se divide el resultado entre el número de personas del grupo focal (nF).
En el caso ideal de que no existiese FDI, los
valores de PR(qj) y de PF(qj) coincidirían para todos los valores de qj , por lo que el valor del índice
DP sería cero. El FDI aumentará a medida que
DP se aleja de cero, bien positiva o negativamente.
Si el valor es positivo, quiere decir que los valores
PR(qj) son superiores a los valores PF(qj), lo que
indicaría que el ítem en cuestión está perjudicando
al grupo focal. Por el contrario, si el valor de DP
es negativo, indica que el ítem perjudica al grupo
de referencia. En el caso de FDI no uniforme el
valor de DP podría ser engañoso, como ocurría
con los métodos de las áreas, pues los valores negativos y los positivos podrían anularse, dando la
falsa impresión de ausencia de FDI, cuando en
realidad sí lo hay. Lo más sencillo y recomendable
es contrastar los valores numéricos con los gráficos correspondientes, en los cuales puede observarse la naturaleza del FDI.
qj
PR(qj)
PF(qj)
[PR(qj) – PF(qj)]
–1,0
–0,5
0,2
1,0
1,8
0,25
0,44
0,54
0,67
0,80
0,10
0,26
0,34
0,40
0,55
0,15
0,18
0,20
0,27
0,25
1,05
Total:
DP =
1,05
= 0,21
5
Este elevado valor de DP indica que el ítem funciona diferencialmente para los dos grupos, perjudicando claramente al grupo focal. Una vez detectado estadísticamente el FDI, la tarea sustantiva
fundamental es averiguar las causas del FDI: ¿por
qué este ítem perjudica tan claramente a los niños
de origen rural? Nótese que las técnicas para detectar el FDI no informan sobre las posibles causas del
FDI, y habrán de ser los expertos del campo quienes tengan que indagar esa cuestión.
Como ocurría en el método de las áreas, tampoco aquí existe una prueba estadística definitiva
que nos diga cuándo el tamaño del índice DP es
estadísticamente significativo. Por tanto, hay que
seguir alguna de las estrategias citadas para el caso
de las áreas.
El índice de diferencias de probabilidades (DP)
puede modificarse ligeramente, elevando las diferencias al cuadrado; para expresarlo de modo que
siempre sea positivo:
DP =
nF
[PR (θ j ) – PF (θ j )]2
j =1
nF
∑
[7.56]
Ejemplo
Supongamos una muestra de 15 niños, 10 de los
cuales son de origen urbano (grupo de referencia) y
cinco de origen rural (grupo focal). En la tabla adjunta aparecen sus probabilidades de superar uno
de los ítems del test de comprensión verbal aplicado, para los valores qj estimados a los niños del grupo focal. ¿Funciona el ítem de modo diferencial
para los niños urbanos y los rurales? Veamos cómo
se procede para obtener el valor de DP.
Si se utiliza esta fórmula, hay que complementarla con la inspección gráfica de las CCI, pues solo
indica el tamaño del FDI, pero no si es a favor del
grupo de referencia o del focal, ni si el FDI es uniforme o no uniforme.
Nótese que ambos índices pueden aplicarse
igualmente si se divide el rango de q en varios intervalos, pudiendo promediarse su valor para cada
uno de los intervalos y ofrecer así el tamaño de DP
en función del rango de q estudiado.
© Ediciones Pirámide
Teoría de respuesta a los ítems
Según la autorizada opinión de Camilli y Shepard (1994), el índice DP sería el más indicado para
el análisis del FDI bajo la óptica de la TRI, con lo
cual es ciertamente difícil no estar de acuerdo.
Muestras pequeñas
Los métodos basados en la TRI tienen un inconveniente común a todos ellos, derivado de los
propios modelos de TRI, y es que para estimar los
parámetros con precisión las muestras tienen que
ser bastante amplias, por encima de 500 personas,
por dar un número aproximado. Esto no suele representar ningún problema para las grandes compañías que construyen y utilizan test, pero supone
un serio inconveniente para numerosos profesionales, tales como psicólogos o educadores, no integrados en grandes organizaciones. Es muy frecuente
que este tipo de profesionales disponga de pocas
personas, sobre todo en el caso del grupo focal, con
frecuencia minoritario, y, sin embargo, deseen indagar el FDI de las pruebas utilizadas. Suele recomendarse el uso de alguno de los métodos clásicos
(Mantel-Haenszel, índice de estandarización, etc.)
cuando se tienen muestras pequeñas, aunque tampoco estos funcionan a la perfección en esas circunstancias. El rendimiento de los modelos de TRI
con muestras pequeñas no ha sido exhaustivamente
investigado, aunque se dispone de varios trabajos
que lo abordan (Hambleton et al., 1993; Linn y
Harnisch, 1981; Mazor et al., 1992; Muñiz, Hambleton y Xing, 2001; Shepard et al., 1985).
Linn y Harnisch (1981) propusieron una variante interesante para seguir utilizando los modelos de
TRI cuando en uno de los grupos, habitualmente el
focal, el número de personas es reducido. Los pasos
a seguir para la utilización de este procedimiento
serían los siguientes:
1.Estimar los parámetros de los modelos y las
puntuaciones q de las personas a partir de
la muestra completa, considerando conjuntamente el grupo de referencia y el focal.
2.Comparar las probabilidades P(q) correspondientes a la CCI así estimada con el rendimiento real de las personas del grupo focal.
Si no existiese FDI, ambos valores deberían
coincidir, excepto por variaciones debidas al azar.
© Ediciones Pirámide
/ 255
La discrepancia entre ambos valores es la medida
del FDI.
El primer paso para obtener el índice de Linn y
Harnisch es calcular las diferencias para cada persona del grupo focal (Zj) entre su puntuación en el
ítem (uj), que tomará los valores de 1 o 0 según lo
acierte o lo falle, y su probabilidad de superar el
ítem según la CCI elaborada a partir del grupo total [PF + R(qj)]:
Zj =
[u j – PF + R (θ j )]
PF + RQF + R
[7.57]
expresión que nos da la diferencia estandarizada
para una persona j del grupo focal entre su puntuación empírica y la pronosticada por la CCI del grupo total. Promediando los valores Zj de todas las
personas del grupo focal, tendremos el índice general (ZT) de FDI propuesto por Linn y Harnisch:
ZT =
nF
∑
j =1
Zj
nF
[7.58]
donde:
Zj: Viene dado por la expresión 7.57.
nF: Es el número de personas del grupo focal.
nF
∑ : Va de 1 al número total de personas del
j =1
grupo focal nF.
Aparte de calcular este índice global de cada
ítem, los autores sugieren que se calculen para zonas
de interés especial dentro del rango de q. Por ejemplo, podría dividirse q en varios intervalos y calcular
el índice Z para cada uno de ellos, lo que permitiría
analizar el FDI en función de las distintas zonas de
q. Ponderando los valores medios de Z de cada intervalo por el número de personas del grupo focal
dentro del intervalo correspondiente y sumando los
productos, se reproduciría el valor global ZT.
Si las personas del grupo focal obtienen sistemáticamente puntuaciones inferiores a las pronosticadas por la CCI global, el valor del índice ZT
será negativo; por el contrario, si su rendimiento es
superior, el índice será positivo. En el caso de FDI
no uniforme podrían anularse las diferencias posi-
256 /
Introducción a la Psicometría
tivas y las negativas, dando el índice una falsa idea
de no FDI, por lo que de nuevo aquí se recomienda
complementar el índice numérico con la representación gráfica.
Camilli y Shepard (1994) sugieren la posibilidad
de elevar las diferencias Zj al cuadrado para que el
valor de ZT sea siempre positivo, en cuyo caso la
fórmula vendría dada por:
ZT =
nF
∑
j =1
Z 2j
nF
[7.59]
Una discrepancia clara entre los resultados obtenidos mediante 7.58 y 7.59 sería indicativa de FDI
no uniforme. De nuevo, aquí no se dispone de pruebas estadísticas adecuadas para determinar la significación estadística de ZT, por lo que ha de procederse de modo descriptivo, como ya se indicara
en los casos anteriores.
Z5 =
0,10
= 0,33
(0,90)(0,10)
Z6 =
0,08
= 0,30
(0,92)(0,08)
qj
uj
PR + F
(uj – PR + F)
Zj
–1,0
–0,5
0,2
1,0
1,8
2,3
0
1
1
1
1
1
0,50
0,64
0,80
0,87
0,90
0,92
–0,50
0,36
0,20
0,13
0,10
0,08
–1,00
0,75
0,50
0,38
0,33
0,30
Total:
1,26
A partir de los valores de la última columna,
se obtiene el valor global del índice, dado por la
fórmula 7.58:
Ejemplo
En la primera columna de la tabla adjunta aparecen las puntuaciones de las seis personas que
componen el grupo focal. La segunda columna (uj)
refleja si acertaron (1) o fallaron (0) el ítem analizado. La tercera (PR + F) ofrece la probabilidad de
acertar el ítem según la CCI del grupo total.
Para calcular el índice de Linn y Harnisch lo
primero que hay que hacer es obtener la diferencia
entre uj y PR + F (cuarta columna) para cada persona
y dividir estas diferencias entre √PF + RQF + R (quinta
columna), obteniéndose así los valores Zj.
Los valores de la última columna se calculan
del siguiente modo:
Z1 =
–0,50
= –1,00
(0,50)(0,50)
Z2 =
0,36
= 0,75
(0,64)(0,36)
Z3 =
0,20
= 0,50
(0,80)(0,20)
Z4 =
0,13
= 0,38
(0,87)(0,13)
ZT =
1,26
= 0,21
6
Una diferencia media de 0,21 es bastante elevada, lo que indica que el ítem presenta un FDI para
el grupo de referencia y el focal, a favor del focal,
dado que el signo de ZT es positivo. Nótese cómo
los valores empíricos en el grupo focal son superiores, excepto en un caso, a los pronosticados por la
CCI del grupo total.
La filosofía del procedimiento de Linn y Harnisch (1981) de juntar ambos grupos, referencia y
focal, para llevar a cabo las estimaciones de los parámetros no está exenta de críticas. A nivel teórico
puede ponerse en duda la legitimidad de juntar ambos grupos, si se sospecha de la existencia de FDI,
pues no constituirían muestras aleatorias de la misma población. Desde el punto de vista aplicado, si
el grupo de referencia es mucho más numeroso que
el focal, es evidente que va a pesar más e influir en
la estimación de los parámetros y, por tanto, va a
tender a acercar la CCI global al grupo de referencia. No hay atajo sin trabajo, y esos serían los peajes a pagar para obtener estimaciones más estables
que las que se conseguirían a partir de un grupo
focal menguado en número de personas.
© Ediciones Pirámide
Teoría de respuesta a los ítems
Comparación de los parámetros
Otro modo de evaluar el FDI es comparar los
parámetros de la curva característica estimada para
el ítem en cada subpoblación (Lord, 1980). El ítem
estará insesgado en la medida en que los parámetros
estimados en ambas subpoblaciones coinciden. Como
señalan Hambleton y Swaminathan (1985, p. 293), la
lógica de este procedimiento es equivalente a la del
anterior, siendo atribuibles las posibles diferencias entre ambos a las distintas formas de operativizarlos.
Para el modelo de Rasch el único parámetro a
comparar es b, y ello puede hacerse mediante el estadístico de contraste Z propuesto por Wright et al.
(1976):
Sâ2 =
1
2
D /(1 – ĉ)2
N
∑
j =1
(θ̂ j – b̂)2 [Pj (θ ) – ĉ]2 Q j (θ )
Pj (θ )
/ 257
[7.64]
y donde a, b, q, D, Pj(q), Qj(q) son los bien conocidos valores de los modelos logísticos, N es el número de personas que alcanzan el ítem y qj es el valor
estimado de q para cada persona.
Ahora bien, más interesante que comparar cada
parámetro por separado es hacerlo conjuntamente
valiéndose de c2, en cuyo caso la hipótesis nula será:
bR = bF y aR = aF.
Según Lord (1980):
c2 = V Σ –1V ′
[7.65]
donde:
Z =
b̂R – b̂F
S ( b̂R ) + S 2 ( b̂F )
2
[7.60]
donde bR§ y b§F son los parámetros del ítem estimados en cada grupo, referencia y focal, S2(bR§ ) y S2(bF§ )
son las varianzas de b§ en cada grupo y Z se distribuye según la curva normal.
El valor de Z obtenido se compara con el de la
distribución normal correspondiente al nivel de
confianza adoptado, lo que permite aceptar o rechazar la hipótesis nula H0: b1 = b2.
Para los modelos logísticos de dos y tres parámetros habrá que comparar b y a, considerando c
invariante y con valor cero en el caso de dos parámetros. Lord (1980) propone el estadístico de contraste Z para ambos parámetros:
b̂R – b̂F
[7.61]
Zb =
2
S ( b̂R ) + S 2 ( b̂F )
Za =
âR – âF
S ( âR ) + S 2 ( âF )
2
1
2 2
D â /(1 – ĉ)2
© Ediciones Pirámide
N
∑
j =1
[Pj (θ ) – ĉ]2 Q j (θ )
Pj (θ )
Si la fórmula de Lord se aplica al modelo logístico de un parámetro, se simplifica notablemente,
pudiendo expresarse:
χ2 =
(bF – bR )2
var (bF ) + var (bR )
[7.66]
donde bF y bR son las estimaciones de los parámetros b en los dos grupos, y var (bF) y var (bR), las
varianzas estimadas, dadas por la inversa de las
funciones de información correspondiente a los parámetros de dificultad estimados.
[7.62]
Ejemplo
donde las varianzas de a§ y b§ para cada subpoblación vienen dadas por:
Sb̂2 =
c2: Tiene dos grados de libertad.
V:Vector de dimensión (1 × 2) de las diferencias entre los parámetros b y a de ambas
subpoblaciones.
V ′: Vector traspuesto de V.
Σ –1:Inversa de la matriz suma de varianzas covarianzas de V para ambos grupos, de dimensión (2 × 2).
[7.63]
Los parámetros de un ítem para dos grupos, estimados mediante el modelo logístico de dos parámetros, fueron los siguientes:
aR = 0,40 bR = 0,42
aF = 0,90 bF = 1,42
258 /
Introducción a la Psicometría
En el grupo de referencia las varianzas y covarianzas de las estimaciones de los parámetros fueron:
var (a) = 0,02; var (b) = 0,01; cov (a, b) = 0,03. En el
grupo focal se obtuvieron los siguientes valores:
var (a) = 0,05; var (b) = 0,07; cov (a, b) = 0,03. Veamos cómo se procede para obtener el valor de c 2.
El vector V vendría dado por las diferencias entre los parámetros a y b:
[(0,90 – 0,40), (1,42 – 0,42)] = [0,50, 1,00]
Efectuando las divisiones, se obtiene finalmente
la matriz Σ –1:
40 –30
3 –30
35
4
Ahora ya disponemos de los datos necesarios
para obtener c 2, que vendrá dada por el producto
del vector V, la matriz Σ –1 y el vector V ′:
El vector V ′ es el transpuesto de V:
χ 2 = V ∑ –1V ′ = [0,50,1,00] ×
0,50
3 1,00 4
Para obtener la matriz Σ –1 han de sumarse las
matrices de varianzas covarianzas en el grupo de
referencia y el focal y posteriormente calcular la inversa de la suma. La matriz de varianzas covarianzas para el grupo de referencia según los datos del
enunciado vendría dada por:
0,02 0,03
3 0,03
0,01
4
Para el grupo focal:
0,05 0,03
3 0,03
0,07
4
La suma de las matrices anteriores nos da la
matriz Σ:
0,07 0,06
3 0,06
0,08
4
Se calcula la inversa de la matriz Σ:
— Determinante:
(0,07)(0,08) – (0,06)(0,06) = 0,002
— Inversa:
0,08/0,002 –0,06/0,002
3 –0,06/0,002
0,07/0,002
4
×
40 –30
3 –30
35
4×
0,50
3 1,00 4 = 15
Con dos grados de libertad el valor de c 2 en
las tablas correspondientes al nivel de confianza
de 95 % viene dado por 5,99. Dado que nuestro
valor empírico (15) es muy superior, rechazamos
la hipótesis nula de que los parámetros del ítem
son estadísticamente iguales para ambos grupos,
es decir, el ítem presenta un funcionamiento diferencial.
Mediante c 2 puede someterse a prueba la hipótesis no solo de que b1 = b2 y a1 = a2, sino que también c1 = c2, en cuyo caso los grados de libertad de
c 2 serían tres y no dos. La razón por la que en la
práctica no suele incluirse c es debido a que su estimación es bastante imprecisa, tiene un error típico
alto, por lo que su inclusión aumentaría el conservadurismo de la prueba, rebajando la posibilidad
de detectar ítems con FDI. Si realmente existe un
FDI, ha de manifestarse en los valores de a y b, y
si estos no fuesen distintos, sería demasiado arriesgado afirmar la existencia de FDI basándonos únicamente en el parámetro c.
La crítica fundamental a estas técnicas de comparación de parámetros es que pueden detectar
FDI cuando, en realidad, las diferencias entre las
CCI son mínimas en el rango de las puntuaciones
q de interés; además, el número de falsos positivos
es elevado, detecta muchos ítems con FDI que no
son tales. Por ello, estas técnicas de comparación de
los parámetros de los ítems no son las más utilizadas en la práctica.
© Ediciones Pirámide
Teoría de respuesta a los ítems
Reflexiones finales
Vistos sumariamente el concepto y algunos de
los procedimientos más sencillos para la evaluación
del FDI, no se le habrá escapado al lector la contradicción de fondo en la que parece moverse la
TRI al tratar de captar el FDI. Los ítems contenidos en un banco estarán todos calibrados en la
misma métrica, y si se han incluido será porque se
ajustan al modelo, entre otras serán unidimensionales para la población en la que se calibraron. Se
supone que en dicha población se han incluido las
subpoblaciones de interés en las que se desea estudiar el funcionamiento diferencial. Si ello es así,
teóricamente nunca se podrían encontrar curvas características distintas para un ítem al emplear en la
estimación muestras distintas, se violaría el principio de invarianza de los parámetros y de unidimensionalidad. Es decir, si un ítem se ha calibrado
como unidimensional para una población de personas, es una incongruencia lógico-teórica admitir
la posibilidad de curvas características distintas
para ese ítem cuando se utilizan dos subpoblaciones en la estimación. Se violan claramente los presupuestos de los modelos de TRI. De hecho, el
propio concepto de FDI encaja mal con la formulación teórica de la TRI para modelos unidimensionales. La mayoría de autores apenas se plantean
esta cuestión de carácter teórico, con notoria excepción de Lord (1980), que propone cinco consejos para mitigarla empíricamente en lo que él denomina «purificación del test», terminando su
exposición en tono escéptico al señalar que ni las
pruebas estadísticas son óptimas, ni válida la estimación de los parámetros de los ítems sesgados.
Claro que desde que Lord dijera esas palabras, la
tecnología para la detección de FDI ha avanzado
considerablemente. Aquí se han expuesto algunos
métodos sencillos para ejemplificar la lógica de la
evaluación de FDI, pero en la actualidad disponemos de métodos con sus correspondientes programas informáticos mucho más sofisticados. Aunque
el mejor de los métodos de detección del FDI es
prevenirlo, una buena guía para tratar de identificar los ítems con funcionamiento diferencial puede
verse en Hambleton (2006) o Sireci y Rios (2013).
Por su parte, Rogers y Swaminathan (2016), buenos conocedores del campo, han hecho una excelente síntesis conceptual de las distintas etapas por
© Ediciones Pirámide
/ 259
las que ha pasado el estudio del FDI, apuntando
algunas reflexiones de futuro. También Zumbo
(2007b) analiza el pasado, presente y futuro del
FDI. Buenos tratamientos pueden verse en textos
como los de Berk (1982), Holland y Wainer (1993),
Camilli y Shepard (1994), Camilli (2006) y Osterlind y Everson (2009). En español véanse Fidalgo
(1996) y Gómez, Hidalgo y Guilera (2010), donde
se puede encontrar una relación de los programas
informáticos más habituales para la detección del
FDI. El cuadro que se presenta a continuación da
una buena panorámica del estado actual de las investigaciones sobre el FDI:
Clasificación de los métodos de funcionamiento
diferencial de los ítems según Rogers
y Swaminathan (2016)
Variable de respuesta
Variable de contraste
Discreta
Continua
Discreta
Mantel-Haens- SIBTEST
zel SIBTEST,
STD
Continua
Regresión lo- Regresión logística
gística, Path
Analysis
Discreta
Modelos de Análisis de perrasgo latente
files latentes
Continua
TRI, modelos Modelos de
de ecuaciones ecuaciones esestructurales
tructurales
Empírica
Latente
Como ocurre con cualquier otra metodología,
o tecnología estadística, los métodos para detectar
el FDI hay que utilizarlos con sentido común y prudencia, pues no constituyen una varita mágica que
nos da automáticamente la solución; así Sireci y
Rios (2013) nos dan unos sabios consejos para la
detección del FDI:
1.Hay que seleccionar el método para detectar el FDI que mejor encaje en el tipo de
datos que se maneja, pues hay características de los datos que afectan a los métodos
utilizados, tales como el número de catego-
260 /
Introducción a la Psicometría
rías de los ítems, el tamaño de la muestra o
la dimensionalidad de los datos.
2.Cuando sea posible utilizar más de un método de detección para confirmar los resultados.
3.Utilizar algún indicador del tamaño del
efecto para distinguir entre la mera significación estadística y un efecto relevante.
4.Utilizar representaciones gráficas para interpretar y comunicar adecuadamente el
FDI.
5.Cuando se encuentren ítems con FDI, eliminarlos del test (purificar el test) y repetir
los análisis, llevando a cabo el proceso de
forma gradual o iterativa.
6.Utilizar muestreos adecuados que permitan
confirmar los resultados obtenidos.
7.Extraer varias muestras aleatorias del grupo
de referencia cuando las diferencias en la
variable medida entre el grupo de referencia
y el focal sean importantes; por ejemplo los
valores centrales difieren en más de una desviación típica.
8.A la hora de interpretar los resultados del
FDI hay que tener en cuenta la dirección
del FDI, los posibles efectos de amplificación o cancelación, así como sus posibles
implicaciones a la hora de interpretar las
puntuaciones de la prueba.
EJERCICIOS
1. En la tabla adjunta aparecen los parámetros
a, b y c de seis ítems estimados mediante el programa BILOG para un grupo de mujeres (referencia)
y otro de hombres (focal). Los seis ítems corresponden a un test de comprensión verbal.
Referencia
Ítems
1
2
3
4
5
6
Focal
a
b
c
a
b
c
0,46
0,66
0,49
0,91
1,15
0,40
-0,79
0,60
0,02
-0,44
0,38
0,52
0,11
0,30
0,17
0,26
0,18
0,22
0,46
0,66
0,49
0,91
1,15
0,90
-0,79
0,60
1,02
-0,44
0,38
1,52
0,11
0,30
0,17
0,26
0,18
0,22
1.Mediante una inspección visual de la tabla,
¿considera que alguno de los ítems parece
mostrar un funcionamiento diferencial para
ambos grupos? Razone su respuesta.
2.Represente gráficamente las curvas características de los seis ítems. Utilice para ello la
fórmula del modelo logístico de tres parámetros.
3.Calcule mediante la fórmula de Raju el área
comprendida entre las CCI de los seis ítems
para los grupos de referencia y focal. ¿Qué
ítems muestran FDI?
4.Calcule el funcionamiento diferencial de los
seis ítems mediante c 2 de Lord y compare
los resultados con los obtenidos por el método de Raju en el apartado anterior. En el
grupo de referencia las varianzas de las estimaciones (para todos los ítems) son:
var (a) = 0,02, var (b) = 0,01 y cov (a, b) = 0,03.
En el caso del grupo focal (para todos los
ítems), var (a) = 0,05, var (b) = 0,07,
cov (a, b) = 0,03.
5.Calcule la correlación entre los parámetros
b de los ítems de ambos grupos. Elimine los
ítems que muestren FDI y vuelva a calcular
la correlación. Explique los cambios, si es
que los hubiere, experimentados por el valor de la correlación.
2. Las cuatro personas de un grupo focal obtuvieron en un ítem las siguientes puntuaciones: 0,
1, 1, l. Es decir, solo la primera lo falló. Las puntuaciones de estas personas en el test fueron respectivamente: –1, 0, 0,5, 1,0. Calcule el índice propuesto por Linn y Harnisch para el citado ítem,
sabiendo que sus parámetros estimados en el grupo
total fueron: a = 0,6, b = 1, c = 0,2.
© Ediciones Pirámide
Teoría de respuesta a los ítems
/ 261
SOLUCIONES
1.1.
3.
4.
Ítems 3 y 6.
0, 0, 0,83, 0, 0, 1,11.
0, 0, 35, 0, 0, 15.
11. TEST ADAPTATIVOS INFORMATIZADOS
11.1. Concepto
Otra de las aplicaciones directas de la TRI ha
sido la potenciación de un tipo de test que, si bien
eran conocidos y utilizados de antiguo, encontraban serias dificultades dentro del marco de la psicometría clásica, los test adaptativos o test a medida.
Estos test suelen encontrarse también citados por
otros nombres, tales como «test adaptados a la persona», «test de nivel flexible», «test ramificados»,
«test individualizados», «test programados» o «test
secuenciales», pero su característica más definitoria
es que se construyen a la medida, adaptados al tipo
de personas a las que se aplica. En la utilización
habitual y clásica de los test, se aplica la misma
prueba a todas las personas, independientemente de
su nivel en la variable medida. Ahora bien, esto no
es lo más deseable, pues las mediciones serán más
eficientes si el nivel de dificultad del test se adapta
al nivel de competencia de la persona porque se evita, en gran parte, la tendencia de las personas a
contestar al azar y desmotivarse cuando los ítems
exceden notablemente sus conocimientos, así como
al aburrimiento si los ítems son demasiado fáciles.
Los test adaptativos son unos test que, aun midiendo la misma variable, no son idénticos para todas
las personas, varían en función del nivel de competencia que estén destinados a medir.
Nótese que eso no es nada nuevo conceptualmente en psicología, todo lo contrario. El pionero
test de Binet, por ejemplo, es en cierto modo de este
tipo: la secuencia de tareas que se presenta al niño
depende de sus respuestas previas. Los métodos psicofísicos clásicos constituyen otro ejemplo de adaptación a la persona a la hora de estimar los umbrales (Muñiz, 1991).
Lo que aportará la TRI de nuevo a la medición
adaptativa será la posibilidad de equiparar conve© Ediciones Pirámide
5.
2.
0,83, 1.
0,59.
nientemente puntuaciones obtenidas con distintos
instrumentos para la misma variable, así como pautas adecuadas para ajustar el test a la persona. Adicionalmente, los nuevos tiempos también aportan la
posibilidad de hacerlo todo en un ordenador. Ello
ha provocado que a estos test adaptativos se les denomine «test adaptativos informatizados» (TAI), lo
cual puede conducir a error, pues el que estén informatizados no es una característica definitoria central, su esencia es la adaptación de la prueba a la
persona evaluada. La informatización de un test,
esto es, su aplicación y análisis mediante ordenador,
no implica que sea adaptado a las personas; de hecho, en la actualidad la mayoría de los test clásicos
disponen de una versión informatizada. Véanse, por
ejemplo, los catálogos de las editoriales españolas
de test, tales como Tea, Pearson, Cepe o Eos.
11.2. Desarrollo
Un test adaptativo, como ya se ha apuntado,
conlleva dos tareas fundamentales: en primer lugar,
su construcción, es decir, decidir qué ítems lo integran, y, en segundo lugar, expresar los resultados en
una métrica común a otros test diferentes utilizados
con otras personas para medir la misma variable.
La TRI constituye el marco adecuado para resolver
ambos, pues al disponer de un banco de ítems calibrados, es decir, con parámetros conocidos, permite
elegir los oportunos según el nivel q de la persona
a evaluar. Utilizando la función de información, se
elegirán aquellos ítems que proporcionen más información para el nivel q de la persona; además, los
resultados vendrán expresados en la misma escala
(la métrica del banco), independientemente del test
empleado. Ahora bien, para adaptar el test a la persona con una determinada q, el problema consiste
en estimar aproximadamente el nivel q de la persona, que obviamente no se conoce a priori, y que es
262 /
Introducción a la Psicometría
lo que pretendemos evaluar. En suma, ¿cómo se
adapta una prueba al nivel de la persona a evaluar
si no conocemos ese nivel? Existe toda una literatura especializada al respecto; véanse, por ejemplo,
Wainer (1990), Lord (1980), Urry (1977), Weiss
(1983), y en español Olea, Ponsoda y Prieto (1999).
En términos generales, pueden distinguirse dos
aproximaciones principales:
— Doble-nivel.
— Multinivel.
En la lógica del doble-nivel, en un primer paso,
estadio o nivel se aplica el mismo test a todas las
personas y, en función de la puntuación obtenida,
se les aplica un segundo test según haya sido su rendimiento en el primero. Es decir, el primer test común se utiliza para estimar de forma aproximada el
nivel q de las personas, que se medirá con precisión
mediante la segunda aplicación. Esta estrategia tiene su lógica, pero en la actualidad prácticamente no
se utiliza.
En la estrategia de multinivel, aunque caben muchas alternativas, en general se va aplicando ítem a
ítem, decidiendo cuál será el siguiente en función de
las respuestas a los anteriores. Los aciertos conducirán a ítems más difíciles, y los fallos, a ítems más
fáciles. Ello plantea toda una tecnología y decisiones a tomar, tales como cuándo detener el proceso,
cómo ramificar los caminos, cuántos ítems aplicar,
etc., muy bien tratado por Lord (1980) y en español
Olea et al. (1999).
Además de la ventaja central de los test adaptados, consistente, como ya se ha señalado, en el uso
de test ajustados al nivel de la persona para maximizar así la información a ese nivel, otros beneficios
colaterales no son despreciables. Normalmente, se
necesita menor número de ítems, lo que disminuye
los efectos de la fatiga. Aumenta la motivación de las
personas, pues ni los muy competentes han de contestar ítems demasiado fáciles para ellos ni los menos competentes se estrellarán ante ítems excesivamente difíciles para su nivel.
Ejemplo
Vamos a ilustrar con un ejemplo la lógica descrita.
A continuación se presenta una tabla en la que
aparecen los parámetros a, b y c estimados a los
cuarenta ítems de un banco de comprensión verbal. También aparecen en la tabla el índice de dificultad clásico ( p) y el índice de discriminación
clásico o correlación ítem-test (rjx). Estos datos,
aparte de otros, siempre acompañan a los ítems en
un banco.
Ítem
a
b
c
p
rjx
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
0,46
0,51
0,47
0,65
0,67
0,67
0,39
0,63
0,67
0,42
0,51
1,10
0,84
1,17
0,93
0,74
1,01
0,95
0,96
1,07
0,60
0,68
0,80
1,11
0,83
0,92
0,79
0,57
0,65
0,48
0,61
0,61
0,82
0,57
0,52
0,91
0,87
0,63
0,69
0,73
–0,79
–0,59
–1,07
–1,35
–1,57
–0,33
0,67
–0,07
0,61
–1,22
–0,78
0,37
–0,29
0,06
–0,24
–0,01
–0,13
0,96
0,09
0,19
–0,43
0,94
0,12
1,64
0,97
0,98
0,61
–1,18
–0,67
–0,79
–0,78
–0,20
–0,25
–0,10
–0,62
–0,45
0,63
0,38
–1,30
0,09
0,12
0,12
0,12
0,12
0,12
0,18
0,00
0,17
0,30
0,12
0,12
0,18
0,20
0,25
0,21
0,09
0,26
0,24
0,19
0,19
0,12
0,17
0,12
0,15
0,24
0,14
0,21
0,14
0,14
0,14
0,14
0,14
0,27
0,14
0,14
0,26
0,37
0,21
0,14
0,18
0,66
0,64
0,70
0,78
0,82
0,62
0,37
0,57
0,53
0,71
0,66
0,44
0,62
0,56
0,62
0,51
0,63
0,40
0,53
0,51
0,61
0,38
0,50
0,22
0,40
0,32
0,45
0,74
0,66
0,66
0,69
0,58
0,66
0,55
0,65
0,70
0,54
0,51
0,79
0,54
0,44
0,46
0,44
0,54
0,56
0,50
0,41
0,47
0,39
0,44
0,47
0,56
0,57
0,56
0,57
0,56
0,57
0,43
0,57
0,56
0,49
0,44
0,54
0,35
0,42
0,48
0,46
0,49
0,53
0,45
0,49
0,53
0,54
0,47
0,46
0,58
0,44
0,46
0,57
0,53
© Ediciones Pirámide
Teoría de respuesta a los ítems
Supongamos tres personas (X, Y, Z) a las que a
partir de datos previos se estima tentativamente que
les corresponderían las siguientes puntuaciones respectivamente: X = –1,3, Y = 0,0, Z = 0,9. Si hubiese
que elegir únicamente cinco ítems para evaluar a cada
una de estas tres personas, ¿cuáles se elegirían? En
otras palabras, ¿cuál sería el test adaptativo de cinco
ítems que evaluaría con mayor precisión a cada una
de esas tres personas? Como se ha señalado, se trata
de elegir aquellos ítems cuya dificultad sea más parecida a las puntuaciones q de las personas. La razón es bien sencilla, pues, como se expuso al tratar
de la función de información, en los modelos de uno
y dos parámetros los ítems miden con mayor precisión, dan su información máxima, exactamente para
el valor de q = b; en el caso del modelo de tres parámetros, hay que corregir ese valor ligeramente.
Compruebe el lector cómo para evaluar a la
persona X, cuya puntuación q = –1,3, los cinco
ítems más adecuados serían el 4, 5, 10, 28 y 39. Se
trataría de los ítems cuya dificultad (b) se acerca
más a la competencia de la persona (q = –1,3). Sin
embargo, el test que mejor se adapta a la persona
Y (q = 0,0) estaría formado por los ítems: 8, 14, 16,
19 y 40. Finalmente, para evaluar a Z se elegirían
los ítems 7, 18, 22, 25 y 26. Nótese que ninguno de
los ítems es compartido por los test elegidos para
cada persona, lo cual es debido a que el nivel de las
tres personas en la variable medida q es muy distinto, por lo que los ítems elegidos también lo son.
A pesar de usar tres test distintos, los resultados
vendrían expresados en una métrica común, pues
los tres se han extraído de un banco cuya métrica
es única para todos los ítems que contiene. En la
práctica no se procede habitualmente como se ha
hecho aquí con fines ilustrativos, sino que se van
presentando (mediante un ordenador) los ítems uno
a uno y, según la persona vaya acertando o fallando, se aumenta o disminuye la dificultad del ítem
siguiente.
A cada paso el programa de ordenador estima
la puntuación q de la persona y la precisión de la
estimación, deteniéndose el proceso cuando se alcanza una precisión prefijada mediante una función
de información objetivo, aunque también se pueden
establecer otros criterios. En la práctica suele fijarse
un número mínimo de ítems que toda persona debe
contestar, aunque se haya alcanzado con menos
ítems la precisión prefijada. Se hace para mejorar la
© Ediciones Pirámide
/ 263
validez aparente de la prueba, pues las personas
examinadas, ajenas a los arcanos psicométricos, no
entienden bien que con tan pocos ítems puedan ser
evaluadas con rigor.
En la actualidad los TAI constituyen una de las
líneas de trabajo más vigorosas dentro de la evaluación psicométrica, tanto en investigación como en
las aplicaciones profesionales. Se han desarrollado
TAI para prácticamente todos los campos aplicados dentro de la psicología, educación y en general
ciencias sociales y de la salud. Por ejemplo, se han
propuesto TAI para evaluar aspectos del cáncer
(Petersen et al., 2006), pediatría (Allen, Ni y Haley,
2008), dolor de espalda (Kopec et al., 2008), ansiedad (Gibbons et al., 2008; Walter et al., 2007), depresión (Smits, Cuijpers y Van Straten, 2011), esquizotipia (Fonseca, Menéndez, Paino, Lemos y
Muñiz, 2013), calidad de vida (Rebollo et al., 2009,
2010), satisfacción laboral (Chien et al., 2009) o clima organizacional (Menéndez, Peña, Fonseca y
Muñiz, 2017), solo por citar algunos ejemplos. El
aumento del uso de los TAI a partir de los años
ochenta ha sido exponencial, con millones de aplicaciones y numerosas pruebas nacionales e internacionales de todo tipo aplicadas en forma de TAI
(Wainer, 2000; Zenisky y Luecht, 2016).
Para quienes deseen profundizar en el estudio
de los TAI hay una literatura abundante. En español
el libro editado por Olea, Ponsoda y Prieto (1999)
es de lectura obligada, y en él se abordan los aspectos fundamentales de los TAI, incluido el software
disponible para implementarlos. Una buena panorámica, también en español, puede verse en Barrada (2012). Una excelente visión del desarrollo histórico de los TAI puede consultarse en Way y Robin
(2016), y sobre la situación actual y las perspectivas
de futuro son de gran interés las reflexiones de Mills
y Breithaupt (2016) y Zenisky y Luecht (2016).
Abundan los textos clásicos para profundizar en el
tema, entre los que cabe citar, por ejemplo, los de
Bartram y Hambleton (2006), Davey (2011), Van
der Linden y Glas (2010) o Yan, Von Davier y Lewis
(2014). Cabe señalar, finalmente, que se está abriendo paso con fuerza un tipo de test adaptativos que
no toman como unidad adaptativa los ítems individuales, sino grupos de ítems, por lo que se denominan «test multietápicos». Una buena exposición sobre ellos puede verse, por ejemplo, en Zenisky,
Hambleton y Luecht (2010) y Yan et al. (2014).
264 /
Introducción a la Psicometría
EJERCICIOS
1. En la tabla adjunta aparecen los parámetros
de los ítems correspondientes a un banco de ítems:
Ítem
a
b
c
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
0,46
0,51
0,47
0,65
0,67
0,67
0,39
0,63
0,67
0,42
0,51
1,10
0,84
1,17
0,93
0,74
1,01
0,95
0,96
1,07
0,60
0,68
0,80
1,11
0,83
0,92
0,79
0,57
0,65
0,48
0,61
0,61
0,82
0,57
0,52
–0,79
–0,59
1,07
–1,35
–1,57
0,33
0,67
–0,07
0,61
–1,22
–0,78
0,37
–0,29
0,06
–0,24
–0,01
–0,13
0,96
0,09
0,19
–0,43
0,94
0,12
1,64
0,97
0,98
0,61
–1,18
–0,67
–0,81
–0,78
–0,20
–0,25
–0,10
–0,62
0,12
0,12
0,12
0,12
0,12
0,18
0,00
0,17
0,30
0,12
0,12
0,18
0,20
0,25
0,21
0,09
0,26
0,24
0,19
0,19
0,12
0,17
0,12
0,15
0,24
0,14
0,21
0,14
0,14
0,14
0,14
0,14
0,27
0,14
0,14
Ítem
a
b
c
36
37
38
39
40
0,91
0,87
0,63
0,69
0,73
–0,45
0,63
0,38
–1,30
0,09
0,26
0,37
0,21
0,14
0,18
1.A una persona se le ha estimado tentativamente mediante un pretest una puntuación
q = –1,22. Imagínese por unos momentos
que es usted un ordenador que tiene que
aplicar un test adaptativo a esa persona. El
ordenador se ha programado, como ahora
usted, para que vaya presentando los ítems
más adecuados para evaluar a esa persona.
Tiene órdenes de detener el proceso, usted
también, cuando la precisión alcanzada, expresada por la función de información del
test, alcance el valor de 0,75. Indique qué
ítems (y por qué orden) aplicaría a esa persona en dos supuestos: 1) que acierta todos
los ítems que usted le va presentando, 2) que
acierta uno sí y otro no, empezando por sí.
(Exactamente la programación del ordenador es bastante más compleja, pues a cada
paso reestima la puntuación de la persona
evaluada, pero a usted, solidaridad humana,
se le permite mantener fija q en –1,22, a
efectos de poder calcular la información
aportada por cada ítem presentado.)
2.Calcule el error típico del test utilizado para
evaluar a esa persona en las dos situaciones
descritas.
3.Si se desea que el error típico del test sea
0,5, ¿cuál tiene que ser la cantidad de información aportada por el test?
SOLUCIONES
1.1.
1: 10, 28, 3, 30, 1, 31.
2: 10, 28, 39, 3, 4.
2.
3.
1,12, 1,05.
4.
© Ediciones Pirámide
Fases para la construcción de un test
Una vez que se han visto en los capítulos precedentes las propiedades psicométricas más importantes de los test, vamos a recapitular y presentar
aquí de forma sintética los pasos generales que habría que seguir para construir un instrumento de
medida. No se trata de una exposición exhaustiva,
que excede las pretensiones de este texto introductorio, pero esperamos que permita al lector extraer
una idea cabal de cómo proceder si tuviese que desarrollar un nuevo test, escala o cuestionario. Tratamientos exhaustivos pueden verse en los trabajos
de Downing (2006), Downing y Haladyna (2006),
Haladyna y Rodríguez (2013), Schmeiser y Welch,
(2006) o Lane, Raymond y Haladyna (2016), entre
otros muchos. En este apartado seguiremos en líneas generales los trabajos previos sobre el tema de
Muñiz y Fonseca (2008, 2017).
La construcción de un instrumento de medida
es un proceso complejo que aquí vamos a concretar
en diez pasos, si bien estos no son automáticos ni
universales y pueden variar en función del propósito del instrumento de medida (selección, diagnóstico, etc.), del modelo psicométrico utilizado (teoría
clásica, teoría de respuesta a los ítems), del tipo de
respuesta exigida por los ítems (selección o construcción), del formato de administración (lápiz y
papel o informatizado) o del contexto de evaluación
(diagnóstico, evaluación de rendimientos, etc.), por
citar solo algunos casos. Todo el proceso de construcción debe desarrollarse de forma rigurosa y objetiva, siguiendo unos estándares de calidad, para
así maximizar la validez de las inferencias hechas a
partir de las puntuaciones obtenidas en la prueba
por las personas evaluadas (Downing, 2006; Lane,
Raymond y Haladyna, 2016). Puede decirse que el
© Ediciones Pirámide
8
proceso de validación ya comienza a fraguarse incluso antes de la propia elaboración empírica del
instrumento, pues todas las acciones que se realicen
antes, durante y después permitirán recoger evidencias que ayuden a la interpretación de las puntuaciones y a la posterior toma de decisiones (Elosua,
2003; Markus y Borsboom, 2013; Muñiz, 2004;
Wells y Faulkner-Bond, 2016; Zumbo, 2007a).
A continuación se sintetiza en diez pasos el procedimiento a seguir para desarrollar una prueba,
que en esencia recogen las recomendaciones de los
últimos estándares de la AERA, APA y NCME
(2014). Autores como Downing (2006) y Lane et al.
(2016) prefieren establecer doce pasos o fases. Por
supuesto no existe un número mágico al respecto,
lo esencial queda recogido en los diez propuestos.
En la tabla 8.1 se recogen de forma esquemática los
pasos que se deben considerar en el proceso de
construcción y validación de un instrumento de medida.
A continuación se comentan brevemente los pasos propuestos en la tabla 8.1.
1. MARCO GENERAL
Todo proceso de construcción de un instrumento de medida comienza por una explicación detallada y precisa de cuáles son las razones que motivan
su desarrollo. Un nuevo instrumento no se construye porque sí, hay que justificarlo adecuadamente.
Asimismo, hay que delimitar con claridad cuál es la
variable objeto de medición, cuál va a ser el contexto de aplicación, las circunstancias en las que se va
a administrar el instrumento de evaluación, el tipo
266 /
Introducción a la Psicometría
TABLA 8.1
Fases del proceso de construcción de un test
1.
Marco general
— Justificación y motivación.
— Contexto de aplicación.
— Uso e interpretación de las puntuaciones.
2.
Definición de la variable medida
— Definición operativa.
— Definición sintáctica.
— Definición semántica.
3.
Especificaciones
— Requerimientos de aplicación.
— Tipo, número, longitud, formato, contenido y distribución de los ítems.
— Especificaciones e instrucciones en la entrega del material, seguridad.
4.
Construcción de los ítems
— Principios generales para la construcción de ítems.
— Tipos de ítems.
— Directrices para la construcción de ítems de elección múltiple.
5.
Edición
— Composición.
— Edición.
— Puntuación y corrección.
6.
Estudios piloto
— Selección de la muestra piloto (cualitativo y cuantitativo).
— Análisis y resultados del estudio piloto (cualitativo y cuantitativo).
— Depuración, revisión, modificación o construcción de ítems.
7.
Selección de otros instrumentos de medida
— Justificación teórica.
— Obtener evidencias de relación con variables externas.
— Utilizar pruebas ya validadas.
8.
Aplicación del test
— Selección y tamaño de la muestra y tipo de muestreo.
— Aplicación del instrumento de medida.
— Control de calidad y seguridad de la base de datos.
9.
Propiedades psicométricas
— Análisis de los ítems.
— Fiabilidad.
— Validez.
10.
Versión final del test
— Informe.
— Prueba final.
— Manual.
© Ediciones Pirámide
Fases para la construcción de un test
de administración (individual, colectiva), el formato
de aplicación (lápiz y papel, informática) y qué decisiones se van a tomar a partir de las puntuaciones.
Las causas que pueden llevar a la construcción de
un instrumento de evaluación son lógicamente diversas. Por ejemplo, un psicólogo puede decidir
construir un instrumento porque no existe ningún
otro para medir una determinada variable, porque
los instrumentos existentes presentan unas pésimas
propiedades psicométricas, porque no incorporan
alguna faceta relevante para analizar dicha variable
o simplemente porque los existentes se han quedado obsoletos. Wilson (2005) detalla y comenta las
principales razones para generar nuevos instrumentos de medida.
Los responsables de la construcción del instrumento de medida no solo deben especificar el motivo por el cual quieren desarrollar una nueva herramienta de medida sino que también deben delimitar
con claridad cuál es el contexto en el que se va a
aplicar, lo que incluye necesariamente la población
objeto de medición (pacientes, alumnos, empresas,
departamentos, etc.) y las circunstancias de aplicación (lugar, medios de los que se dispone y condiciones de aplicación, individual o colectiva).
También debe especificarse de antemano con qué
propósito van a ser utilizadas las puntuaciones y
qué decisiones se van a tomar a partir de ellas. En
este sentido, las puntuaciones en un instrumento de
evaluación pueden servir para propósitos varios,
como por ejemplo: seleccionar, diagnosticar, clasificar, orientar, evaluar un dominio específico o incluso como método de cribado (AERA, APA y
NCME, 2014). Se debe dejar claro que las inferencias que se extraigan de las puntuaciones de un instrumento de medida no son universales, son siempre para un uso, contexto y población determinados.
Nótese que lo que puede ser válido para un grupo
determinado de personas o población tal vez no lo
sea para otra, y lo que pueda ser válido en un contexto de evaluación no tiene por qué serlo en otro
diferente (Zumbo, 2007).
En suma, un instrumento de medida vale para
lo que vale, y hay que explicitarlo de forma clara.
Ello no es óbice para que una prueba desarrollada
originalmente con una determinada finalidad se revele en el futuro, tras distintos procesos de validación, como buena predictora de otros aspectos inicialmente no contemplados. Los usos que se hagan
© Ediciones Pirámide
/ 267
de una prueba deben venir avalados por evidencias
empíricas, como bien establece la norma ISO 10667,
relativa a la evaluación de personas en entornos laborales y organizacionales. Más aún, como indica
nuestro código deontológico en su artículo 17, el
psicólogo tiene que estar profesionalmente preparado y especializado en la utilización de métodos, instrumentos, técnicas y procedimientos que adopte en
su trabajo, y debe reconocer los límites de su competencia y los de sus técnicas.
2. DEFINICIÓN DE LA VARIABLE MEDIDA
El objetivo esencial de esta segunda fase es la
definición operativa, semántica y sintáctica de la
variable medida, así como las facetas o dimensiones
que la componen (AERA, APA y NCME, 2014;
Carretero y Pérez, 2005; Wilson, 2005).
La variable evaluada debe definirse en términos
operativos para que pueda ser medida de forma empírica (Muñiz, 2004). En este sentido, tan interesante puede ser definir cuidadosamente lo que es como
lo que no es. La facilidad o dificultad de la definición operativa depende en cierta medida de la naturaleza de la variable objeto de medición. Para llevar a cabo una definición operativa es clave realizar
una revisión exhaustiva de la literatura publicada al
respecto, así como la consulta a expertos (Clark y
Watson, 1995; Wilson, 2005). Ello permite, por un
lado, delimitar la variable objeto de medición, y
considerar todas sus dimensiones relevantes, y, por
otro, identificar con claridad los comportamientos
más representativos de tal variable (Calero y Padilla, 2004; Smith, 2005). Hay que evitar dejar fuera
alguna faceta o dominio relevante (infrarrepresentación), así como ponderar en demasía una faceta
o dominio de la variable (sobrerrepresentación)
(Smith et al., 2003). Asimismo, no se deben incorporar facetas, o ítems, que no tengan relación con
la variable objeto de medición (varianza irrelevante). Una definición operativa y precisa de la variable
influye de forma determinante en la posterior obtención de los diferentes tipos de evidencias de validez, ayuda a especificar las conductas más representativas de la variable objeto de medición y
facilita el proceso de construcción de los ítems (Carretero y Pérez, 2005; Elosua, 2003; Muñiz et al.,
2005; Sireci, 1998a; Smith, 2005).
268 /
Introducción a la Psicometría
No solo es importante una definición operativa
de la variable sino que también es preciso identificar y definir sus facetas o dominios (definición semántica) y la relación que se establece entre ellas,
así como con otras variables de interés (definición
sintáctica) (Lord y Novick, 1968). Lógicamente, las
diferentes facetas que componen la variable medida
se deberían encontrar relacionadas, dado que se supone que miden la misma variable o constructo. Al
mismo tiempo hay que establecer la relación con
otras variables de interés. La variable objeto de medición no se encuentra aislada en el mundo, sino
que está en relación o interacción con otras variables. Es interesante comprender y analizar estas relaciones especificándolas de antemano con el propósito de llevar a cabo posteriores estudios dirigidos
a la obtención de evidencias de validez (Carretero y
Pérez, 2005; Muñiz, 2004; Smith, 2005).
3. ESPECIFICACIONES
Una vez delimitados el propósito de la evaluación y la definición operativa de la variable que interesa medir, se deben llevar a cabo determinadas
especificaciones relacionadas con el instrumento de
medida. En esta fase se deben describir de forma
detallada y precisa aspectos concernientes a los requerimientos de aplicación del instrumento de medida, el tipo, número, longitud, contenido y distribución de los ítems, especificaciones e instrucciones
en la entrega del material y aspectos relacionados
con la seguridad del mismo.
Los requerimientos de aplicación del instrumento de medida se refieren a cuál va a ser el soporte de administración (papel o informático), a
qué tipo de aplicación se va a realizar (individual
y/o colectiva) y a cuándo y en qué lugar se va a administrar el instrumento de medida. Igualmente, se
deben especificar los requerimientos cognitivos, de
vocabulario y de accesibilidad de los participantes.
Es importante llevar a cabo adaptaciones (acomodaciones) para aquellos participantes que no puedan desempeñar la tarea en igualdad de condiciones que el resto, por ejemplo, disponer de una
versión en Braille para una persona con deficiencia
visual. Las adaptaciones que se realicen deben estar
convenientemente avaladas por evidencias empíricas para que no supongan ventajas ni desventajas
respecto de la aplicación estándar (Dorans y Cook,
2016; Wells y Faulkner-Bond, 2016).
En relación con los ítems, se debe especificar su
tipo, el número, la longitud, el contenido y el orden
(disposición), así como el formato de respuesta o el
tipo de alternativas que se van a utilizar. Con respecto a este tema, no existen normas universales, y
todo dependerá de las circunstancias de aplicación,
del propósito de la variable objeto de medición y de
otras circunstancias.
4. CONSTRUCCIÓN DE LOS ÍTEMS
La construcción de los ítems constituye una de
las etapas más cruciales dentro del proceso de elaboración del instrumento de medida. Los ítems son
la materia prima, los ladrillos a partir de los cuales
se conforma un instrumento de evaluación, por lo
que una construcción deficiente de los mismos incidirá en las propiedades métricas finales del instrumento de medida y en la validez de las inferencias
que se hagan a partir de las puntuaciones (Haladyna y Rodriguez, 2013; Lane, Raymond y Haladyna,
2016; Muñiz et al., 2005; Osterlind, 1998; Schmeiser
y Welch, 2006).
Los principios básicos que deben regir la construcción de cualquier banco de ítems son: representatividad, relevancia, diversidad, claridad, sencillez
y comprensibilidad (Muñiz et al., 2005). Todos los
dominios de la variable de interés deben estar igualmente representados (evitando la infra o sobre­
rrepresentación), aproximadamente con el mismo
número de ítems, a excepción de que se haya considerado un dominio más relevante dentro de la variable y que, por tanto, deba tener un mayor número de ítems, esto es, una mayor representación. Un
muestreo erróneo del dominio objeto de evaluación
sería una clara limitación en la obtención de evidencias de validez de contenido y tendrá repercusiones en las inferencias que con posterioridad se
hagan a partir de las puntuaciones. Los ítems deben
ser heterogéneos y variados para así recoger una
mayor variabilidad y representatividad de la variable. Deben primar la claridad y la sencillez y se deben evitar tecnicismos, negaciones, dobles negaciones o enunciados excesivamente prolijos o ambiguos
(Muñiz et al., 2005). Del mismo modo, los ítems
deben ser comprensibles para la población a la cual
© Ediciones Pirámide
Fases para la construcción de un test
va dirigido el instrumento de medida, evitándose en
todo momento un lenguaje ofensivo y/o discriminatorio. Ítems con una redacción defectuosa o excesivamente vagos van a incrementar el porcentaje de
varianza explicada por factores espurios o irrelevantes, con la consiguiente merma en las evidencias
de validez de la prueba.
Si los ítems provienen de otro instrumento ya
existente en otro idioma y cultura, deberán seguirse
las directrices internacionales para la traducción y
adaptación de test (Hambleton, Merenda y Spielberger, 2005; Muñiz y Bartram, 2007; Muñiz, Elosua y Hambleton, 2013). En el caso de ítems originales, han de seguirse las directrices elaboradas para
su desarrollo (Downing y Haladyna, 2006; Haladyna, 2004; Haladyna et al., 2002, 2013; Moreno et
al., 2004, 2006, 2015; Muñiz et al., 2005).
Durante las fases iniciales de la construcción
del banco de ítems se recomienda que el número
de ítems inicial sea como mínimo el doble del que
finalmente se considera que podría formar parte
de la versión final del instrumento de medida. La
razón es bien sencilla: muchos de ellos, por motivos diferentes (métricos, comprensibilidad, dificultad, etc.), se acabarán desechando, por lo que solo
quedarán aquellos que ofrezcan mejores indicadores o garantías técnicas (sustantivas y métricas).
Finalmente, para garantizar la obtención de evidencias de validez basadas en el contenido de los
ítems, se ha de recurrir a la consulta de expertos
y a la revisión exhaustiva de las fuentes bibliográficas, así como a otros instrumentos similares ya
existentes (Sireci, 1998b; Sireci y Faulkner-Bond,
2014). En relación con la valoración de los ítems
por parte de los expertos, y con la finalidad de una
evaluación más precisa y objetiva del conjunto inicial de ítems, se puede pedir a los expertos que juzguen, a partir de un cuestionario, si los ítems están
bien redactados para la población de interés, si son
o no pertinentes para evaluar una faceta o dominio determinado y si cada ítem representa de forma adecuada la variable o dimensión de interés. A
continuación se comentan algunos de los formatos
más habituales de los ítems y se dan unas directrices para el desarrollo de ítems de elección múltiple,
que son de los más utilizados, si no los más. Tratamientos exhaustivos pueden verse en Osterlind
(1998), Haladyna y Rodríguez (2013) o Lane et al.
(2016).
© Ediciones Pirámide
/ 269
4.1. Tipos de ítems
Existe una gran variedad de ítems, que se pueden clasificar en distintas categorías en función de
los criterios que se tengan en cuenta, tales como
su contenido, el formato o la forma de respuesta
exigida, bien sea seleccionar una respuesta entre
las presentadas o desarrollarla (Downing, 2006;
Haladyna y Rodríguez, 2013; Magno, 2009; Osterlind, 1998; Osterlind y Merz, 1994; Rauthmann,
2011; Sireci y Zenisky, 2006). Por ejemplo, Scalise
y Gifford (2006) establecen siete tipos de ítems,
que van desde la selección pura de la respuesta
hasta la construcción completa, pasando por varias posibilidades intermedias. Por su parte, Sireci
y Zenisky (2016) añaden todavía otros tipos de tareas. En suma, se han propuesto diversas clasificaciones, tratando de sistematizar y organizar la
gran cantidad de tipos de ítems existentes, y si bien
resultan útiles en la práctica, ninguna de ellas resulta totalmente satisfactoria desde un punto de
vista teórico.
Esta proliferación de los tipos de ítems se ha
acentuado en los últimos años debido a las grandes
posibilidades que ofrecen las nuevas tecnologías de
la información, que están influyendo de forma clara en su formulación (Sireci y Zenisky, 2016). Según
Parshall et al. (2010), habría siete dimensiones o aspectos de los ítems en los que se están produciendo
las mayores innovaciones debido a la irrupción de
las nuevas tecnologías:
a)Su estructura, con la aparición de nuevos
formatos facilitados por las nuevas tecnologías y las facilidades que ofrecen la pantallas de los ordenadores para su implementación.
b)
Complejidad, al incluirse en los ítems nuevos elementos que han de tenerse en cuenta
para responder.
c)
Fidelidad, referida a la posibilidad que ofrecen las tecnologías de la información de dar
un mayor realismo a los ítems.
d)
Interactividad, dado que el ítem puede reaccionar y mutar en función de las respuestas
de las personas, volviéndose interactivo.
e)
Multimedia, cuando se incluyen en los ítems
medios técnicos como audio, vídeo, gráficos, animación u otros.
270 /
Introducción a la Psicometría
f )
Tipo de respuesta, habiendo una amplia
gama de posibilidades del tipo de tareas
que los ítems demandan.
g)
Sistemas de puntuación, pudiendo registrarse, además de los clásicos aciertos y errores,
otros muchos parámetros, tales como tiempos, intentos, estrategias, etc.
Un excelente trabajo sobre la influencia de los
avances tecnológicos sobre los test puede verse en
Drasgow (2016), y para el tema específico de la generación automática de ítems, Gierl y Haladyna (2013).
Aquí vamos a limitarnos a presentar algunos de
los tipos de ítems más clásicos, remitiendo al lector
interesado en saber más a la bibliografía citada más
arriba.
Elección múltiple
Se trata del tipo de ítem más utilizado, y en su
versión más genuina consta de un enunciado y varias alternativas, una de las cuales es la correcta.
Dentro de los ítems selectivos, es decir, ítems en los
que hay que seleccionar una opción, este formato
es el más recomendable. Un ejemplo sería:
En los modelos de TRI la función de información es una medida de:
a) Fiabilidad.
b) Validez.
c) Eficiencia.
Recordará el lector que la función de información se refería a la fiabilidad; por tanto, la opción
correcta es la a. Dado el uso masivo de este tipo de
ítems en toda clase de ámbitos, en el subepígrafe 4.2
se presentan unas directrices para su construcción
y evaluación.
Verdadero-falso
Se trata de un tipo de ítem también muy utilizado en el que la tarea de la persona evaluada consiste en decidir si una afirmación es verdadera o
falsa. Por ejemplo:
—El valor de la sensibilidad de un test está
entre 0 y 1.
—El coeficiente de validez es la correlación entre el test y el criterio.
En este caso ambas afirmaciones son correctas.
Cuando se construye un test con este tipo de ítems,
hay que equilibrar el número de ítems verdaderos y
falsos. Este formato ha sido ampliamente estudiado. A continuación se sintetizan algunas de sus ventajas e inconvenientes, siguiendo a autores como
Frisbie y Becker (1991) y Haladyna y Rodríguez
(2013):
Ventajas
—Son fáciles de formular.
—Pueden utilizarse para evaluar todo tipo de
contenidos.
—Se adaptan a diferentes demandas cognitivas.
—Para un mismo tiempo pueden hacerse muchos más que si fuesen de elección múltiple.
—Son fáciles de puntuar.
—Ocupan poco espacio, y resultan económicos.
—Son muy realistas, al plantear si una frase es
verdadera o falsa.
—Reducen el tiempo de lectura.
—Los test compuestos por ellos dan buenos
coeficientes de fiabilidad.
Desventajas
—Si no se hacen bien, tienden a centrarse en
contenidos triviales, y esto hay que evitarlo.
Ahora bien, más que un defecto del formato
en sí, es del constructor, que no controla
este aspecto.
—Tienden a ser muy memorísticos si no están
bien construidos. De nuevo no se trata de un
defecto del formato per se, sino del constructor.
—Los aciertos al azar son muy elevados, aunque este efecto puede mitigarse alargando el
test.
—Dada su estructura dicotómica, no permite
detectar fácilmente grados de verdad y falsedad.
—Los test compuestos por ítems verdaderofalso tienden a dar coeficientes de fiabilidad
© Ediciones Pirámide
Fases para la construcción de un test
un test. Esta reducción de ítems afecta al
muestreo del constructo evaluado y por tanto a las evidencias de validez de contenido
que se pueden obtener.
algo más bajos que los test similares formados por ítems de elección múltiple.
—Según algunos autores, los ítems que son
verdaderos no se comportan igual que los
falsos.
En suma, los ítems verdadero-falso pueden utilizarse, son una opción, pero siguen siendo preferibles los de elección múltiple clásicos.
Elección múltiple compleja
Se trata de un formato en el cual se ofrecen distintas alternativas sobre las que se plantean varias
opciones de respuesta. Por ejemplo:
¿Cuál de los siguientes indicadores constituye
una evidencia de validez de un test?
1. Sensibilidad.
2. Especificidad.
3. Función de información.
a)
b)
c)
d)
1 y 2.
2 y 3.
1 y 3.
1, 2 y 3.
Recordará el lector, que la opción correcta es la
a). Este formato se utiliza con cierta frecuencia, si
bien Haladyna y Rodríguez (2013) no lo recomiendan por varias razones, entre ellas:
—Si la persona evaluada tiene un conocimiento parcial, por ejemplo, sabe que una determi­
nada opción es correcta o incorrecta, puede
ayudarle a encontrar la respuesta correcta
eliminado distractores. Es decir, las habilidades y experiencia con los test pueden ayudar
a una persona a encontrar la verdadera respuesta, interfiriendo con el nivel en la variable medida e introduciendo un sesgo indeseado.
—Con estos ítems se obtienen índices de discriminación más bajos, lo cual tiende a rebajar la fiabilidad del test.
—El formato resulta complejo de formular y
exige bastante tiempo de lectura, reduciendo
el número de ítems que se pueden incluir en
© Ediciones Pirámide
/ 271
En suma, se trata de un formato poco recomendable.
Emparejamiento
En este conocido formato una serie de ideas,
conceptos o hechos hay que emparejarlos con sus
correspondientes siguiendo las directrices del enunciado, por ejemplo:
En el cuadro adjunto aparecen cuatro autores
que debe relacionar con sus obras correspondientes.
1.
2.
3.
4.
Spearman
Rasch
Cronbach
Cohen
a)
b)
c)
d)
Coeficiente a.
Modelo lineal clásico.
Modelo logístico de un parámetro.
Coeficiente kappa.
Recordará el lector que los emparejamientos
correctos serían: 1-b, 2-c, 3-a, 4-d.
Según Haladyna y Rodríguez (2013), las ventajas de este formato serían su fácil construcción, una
presentación compacta, su popularidad y amplia
aceptación y que permite evaluar procesos cognitivos superiores, tales como comprensión de conceptos, principios y procedimientos. Además, es muy
eficiente en tiempo y espacio. Si bien es un formato
muy querido en los reales de la enseñanza, en el
caso de las variables psicológicas tiene el inconveniente de que, dada su naturaleza, no permite llevar
a cabo un muestreo exhaustivo del constructo a
evaluar, con los problemas que ello conlleva de cara
a las evidencias de validez de contenido.
Likert
Este formato de los ítems, cuyo nombre proviene del trabajo original del autor (Likert, 1932), es
tan omnipresente en el ámbito de la medición de
las actitudes, opiniones, preferencias, creencias y
otros campos afines no cognitivos como lo es el de
elección múltiple para la medición de variables
272 /
Introducción a la Psicometría
cognitivas. En este formato la persona evaluada
debe posicionarse en una escala de varias categorías ordinales entre las que tiene que elegir. Por
ejemplo:
Me considero una persona ordenada:
1.
2.
3.
4.
Total desacuerdo.
En desacuerdo.
De acuerdo.
Totalmente de acuerdo.
La popularidad de este formato proviene de su
facilidad de aplicación y de su adaptación a cualquier ámbito de evaluación, razón que explica en
la práctica se haya impuesto a otros modelos mejor fundados científicamente, pero de aplicación
menos sencilla, como el de las comparaciones binarias de Thurstone (1927a, 1927b, 1928b), entre
otros.
Hay una literatura abundante sobre su construcción y uso (Dillman et al., 2009; Haladyna y
Rodríguez, 2013; Krosnick y Presser, 2010). Comentaremos aquí los aspectos más relevantes, relativos a su formulación y al número de categorías.
—La frase sobre la que hay que pronunciarse
debe estar claramente formulada, con un
lenguaje claro y directo, sin ambigüedad, de
modo que sepamos con precisión sobre qué
se está posicionando exactamente la persona evaluada.
—No hay que utilizar ítems que se refieren a
dos cuestiones al mismo tiempo, para evitar
confusiones. Por ejemplo, si utilizamos el
ítem me gusta el pan y el vino, nunca sabremos con precisión sobre qué se está pronunciando la persona evaluada, de modo que
mejor desglosar el ítem en dos, uno para el
pan y otro para el vino.
—Utilizar un lenguaje adaptado a la población a la que va dirigida la prueba, evitando
tecnicismos o palabras rebuscadas.
—Utilizar frases cortas, evitando la verbosidad innecesaria.
—Evitar que se produzcan efectos suelo y techo, es decir, que la mayoría o todas las respuestas de las personas evaluadas se concentren en la categoría más baja (suelo), o en la
más alta (techo). Si en el análisis de los
ítems se detectan este tipo de ítems, hay que
eliminarlos de la prueba o reformularlos
para futuras evaluaciones.
—Formular los ítems de forma positiva, evitar
los negativos. Este punto es polémico, pues
hay autores que recomiendan balancear los
positivos y negativos y luego recodificar los
negativos para obtener la puntuación total.
Esta recomendación de balancear los ítems
positivos y negativos viene motivada por
la creencia de que así se podría evitar la
aquiescencia a la hora de responder, pero
tiene más inconvenientes que ventajas, por
lo que se desaconseja su uso. Por un lado,
no está nada claro que de hecho evite o mitigue la aquiescencia, y, por otro, la recodificación de los ítems es una práctica muy
problemática, por las asunciones en las que
se basa.
—El número de alternativas que debe tener un
ítem tipo Likert es una cuestión ampliamente investigada, y que ofrece muchos matices.
A continuación se resumen los resultados
más destacados. No deben utilizarse ítems
con tres alternativas, pues la alternativa central tiende a atraer una gran cantidad de
respuestas, lo que rebaja la capacidad discriminativa del ítem. La mayoría de las investigaciones indican que los ítems tipo Likert
funcionan bien cuando se utilizan entre cuatro y siete categorías, siendo muy frecuente
el uso de cinco. Podría argumentarse que en
el caso de cinco la alternativa central podría
monopolizar las respuestas, como ocurría
con tres, pero su efecto es menor al existir
otras cuatro opciones. Con cuatro o cinco
categorías los ítems funcionan bien y tiene
la ventaja de que resulta sencillo asignar un
nombre o etiqueta a cada categoría, lo cual
se vuelve más difícil si se aumenta el número de categorías. En algunas poblaciones familiarizadas con determinadas escalas podrían utilizarse estas, como es el caso de las
poblaciones de estudiantes, que conocen
perfectamente la escala 0-10 utilizada para
sus calificaciones. La ventaja de estas escalas más amplias es que tienden a aumentar
la variabilidad de las puntuaciones de las
© Ediciones Pirámide
Fases para la construcción de un test
personas, lo cual siempre es deseable de cara
a los análisis estadísticos y psicométricos
posteriores. Algunos autores no aconsejan
este uso (Couper et al., 2006; Krosnick,
1999), sobre todo con poblaciones poco familiarizadas con ellas, por la posibilidad de
que generen patrones de respuesta diferenciales en función de la interpretación de la
escala numérica, no anclada a una denominación concreta de las categorías. Un análisis detallado de la influencia del número de
categorías de los ítems tipo Likert sobre las
propiedades psicométricas de la escala puede verse en Muñiz et al. (2005) y Lozano,
García-Cueto y Muñiz (2008). Para un análisis de los errores en el uso de este formato
véase Carifio y Perla (2007).
Ensayo
En todos los formatos de los ítems vistos más
arriba la persona tenía que elegir o seleccionar una
respuesta entre las que se le ofrecían; por eso a
veces se alude a ellos con la expresión general de
«formatos selectivos», o «de elección». Sin embargo, en el formato que se comenta ahora, denominado «de ensayo», «desarrollo» o «construcción»,
la persona evaluada tiene que construir la respuesta. Aunque existen posibles variaciones, aquí se
comenta el formato genuino en el que se pide a la
persona evaluada que desarrolle un determinado
tema, por ejemplo el concepto y tipos de fiabilidad.
Este formato es más utilizado en el ámbito educativo que en el estrictamente psicológico, pero es
aplicable a cualquier contexto. La gran ventaja de
los formatos de construcción frente a los selectivos
es que permite una mayor libertad de expresión de
la persona evaluada, pudiendo apreciarse su capacidad de expresión, su creatividad, su estilo y organización, amén de su dominio del tema propuesto. Por estas razones es un formato muy apreciado
entre los educadores, que con cierta frecuencia lo
prefieren a los formatos de elección, los cuales,
más que generar la propia respuesta, exigen a la
persona evaluada reconocer entre las alternativas
propuestas la correcta. Pero todo tiene un precio,
y el de los formatos de desarrollo es la posible subjetividad a la hora de la corrección y puntuación,
© Ediciones Pirámide
/ 273
lo cual hay que evitarlo a toda costa, por razones
obvias. Por ejemplo, cuando la respuesta se escribe
a mano, como es muy habitual, el tipo de letra
puede condicionar notablemente al corrector, perjudicando claramente a las personas con peor letra. Este aspecto podría evitarse utilizando un procesador de texto, cuando ello sea posible. El efecto
de halo es otro posible sesgo, dado que la opinión
que el evaluador tiene sobre la persona evaluada
puede condicionar por generalización la corrección. La solución es eliminar los nombres de las
personas de la prueba antes de llevar a cabo una
corrección para que esta sea ciega respecto de la
persona evaluada. El efecto anclaje puede ser otro
condicionante de la corrección; por ejemplo, si el
evaluador acaba de corregir una prueba con un
gran nivel, sin pretenderlo va a tender a evaluar
con más rigor a la siguiente persona que corrija al
quedar anclado al elevado nivel de la anterior.
Para evitar estos y otros sesgos es muy importante
instruir y entrenar de forma adecuada a los correctores, así como enseñarles a establecer unos criterios claros que les permitan una corrección más
analítica y objetiva. Estos criterios de corrección,
denominados «rúbricas», no solo permiten una
mayor objetividad a la hora de corregir, sino que
han de hacerse públicos para orientar a las personas evaluadas. Por ejemplo, para la evaluación del
trabajo fin de grado (TFG) en la Facultad de Psicología de la Universidad de Oviedo, se establecen
los siguientes criterios con sus correspondientes
pesos, y además cada uno de esos criterios o dimensiones se desglosa con mayor detalle, tratando
de evitar ambigüedades y evaluaciones no equitativas:
Aspectos formales (0-10 puntos).
—Estructura del trabajo: 0-4
—Ajuste a normas APA: 0-3
—Redacción: 0-3
Contenidos (0-45 puntos).
—Fundamentación: 0-10
—Originalidad y objetivos: 0-10
—Metodología: 0-10
—Resultados y conclusiones: 0-10
—Bibliografía: 0-05
274 /
Introducción a la Psicometría
Defensa pública (0-30 puntos).
Contenido
—Estructura y calidad técnica: 0-10
—Claridad expositiva: 0-10
—Interacción con el tribunal: 0-10
1.Cada ítem debe centrarse en un contenido
específico y en una determinada demanda
cognitiva.
Cada ítem irá dirigido a evaluar un contenido y solo uno, sin mezcla ni confusión,
elaborando todos los ítems que fuesen necesarios para muestrear adecuadamente
los contenidos. Asimismo, el ítem deberá
centrarse en un solo proceso cognitivo,
como puede ser comprender un concepto,
aplicar un conocimiento, hacer inferencias
o lo que fuere.
2.Utilizar material novedoso para evaluar el
aprendizaje de alto nivel.
Cuando se utilice parte de un libro, texto o documento en la evaluación, conviene
parafrasearlo, no utilizarlo literalmente,
para así evitar evaluar el mero recuerdo. Lo mismo debe hacerse con cualquier
tipo de materiales utilizados en la enseñanza.
3.Mantener el contenido de cada ítem independiente del contenido de otros ítems del
test, no utilizar ítems encadenados.
Un ítem no tiene que hacer alusión a
ningún otro ni estar encadenado a los anteriores. Cuando se utiliza un texto o material sobre el cual se hacen varios ítems,
hay que ser especialmente cuidadoso con
que unos ítems hagan alusión a otros. Si
esto ocurriera, según Haladyna y Rodríguez (2013), tiende a sobreestimarse la fiabilidad. Además, tienden a beneficiar a las
personas con experiencia en hacer los test,
aunque no controlen la materia evaluada.
Recuérdese que los modelos psicométricos
de TRI asumen la independencia local, es
decir, que la respuesta a un ítem no influye
en la respuesta a otro, con lo que se estaría
violando este principio.
4.El ítem debe evaluar un contenido importante, evitando contenidos muy específicos
o muy generales.
El número de ítems de un test es limitado, así que hay que centrarse en los temas
más relevantes a evaluar, evitando cuestiones marginales o muy generales.
Valoración del tutor (0-15 puntos).
—Asistencia a las tutorías: 0-3
—Seguimiento de las orientaciones: 0-3
—Cumplimiento plan de trabajo: 0-3
—Interés e implicación en el TFG: 0-3
—Entrega dentro del plazo establecido: 0-3
Estas directrices o rúbricas no son la panacea,
pero ayudan a objetivar la evaluación y a evitar sesgos y subjetivismos. El problema de la construcción
y valoración de los ítems de ensayo está muy ampliamente tratado en la bibliografía psicométrica;
pueden consultarse, por ejemplo, las directrices del
Educational Testing Service (Baldwin et al., 2005;
Livingston, 2009), Hogan y Murphy (2007) y un
buen resumen en Haladyna y Rodríguez (2013). Tal
vez la solución radical a la objetividad de la evaluación de los ensayos venga a través de una vigorosa
línea actual de investigación psicométrica sobre la
corrección automática mediante programas de ordenador. Puede sorprender al lector la posibilidad
de que un ensayo pueda ser corregido por un programa informático, pero los avances en este campo
son notables, existiendo ya programas con altas
prestaciones (Livingston, 2009; Shermis y Burstein,
2013; Williamson et al., 2006, 2010).
4.2. Directrices para la construcción
de ítems de elección múltiple
Los ítems de elección múltiple son los más utilizados en numerosos ámbitos de la evaluación psicológica, educativa y en general en las ciencias sociales y de la salud. Su construcción inadecuada
puede causar serios perjuicios a las personas evaluadas y atentar contra la equidad de los test. Se
presentan a continuación las directrices para su
construcción, desarrolladas por Haladyna et al.
(2002, 2013) y Rodríguez (2016). Se refieren al contenido, formato, estilo, redacción del enunciado y
redacción de las alternativas de los ítems.
© Ediciones Pirámide
Fases para la construcción de un test
5.Evitar ítems cuyas opciones sean opinables.
No se pueden utilizar ítems cuyas opciones no sean claras y planteen dudas entre
los expertos. Las opciones tienen que ser
claras, unívocas e indiscutibles, cartesianas, pues de otro modo se estaría introduciendo una gran arbitrariedad en la evaluación, lo que podría llevar a anular a
posteriori los ítems con alternativas discutibles. Esto ocurre con frecuencia en los
exámenes para psicólogos internos residentes (PIR) y médicos (MIR). Desde luego, anular a posteriori un ítem dudoso es
un mal menor, pero es un mal, pues algunos candidatos lo habrán acertado, y se les
anula, y otros habrán invertido una gran
cantidad de tiempo en resolverlo en detrimento de otros ítems. Si la prueba se construye con rigor, esto no debería ocurrir,
pues demuestra una falta de profesionalidad con consecuencias no deseables para
las personas evaluadas.
6.Evitar ítems con trampas.
No se trata de construir ítems para ir a
«cazar» a las personas evaluadas mediante
ítems truculentos, sino de comprobar su
nivel de conocimientos de manera clara,
directa y profesional. Además, si se utilizan este tipo de ítems, se genera una actitud de desconfianza de las personas evaluadas en el proceso de evaluación, lo cual
no es deseable.
Formato
7.Formular las alternativas del ítem de forma
vertical, no horizontal.
La única ventaja de formular las alternativas de forma horizontal es que se ahorra
espacio y la edición de la prueba resulta
más barata, pero tiene muchos inconvenientes, pues resulta más difícil de leer y en
consecuencia aumenta los errores y confusiones innecesariamente; por tanto, es mejor utilizar siempre el formato vertical, por
ejemplo:
El estudio de la precisión de las puntuaciones de un test se denomina:
© Ediciones Pirámide
a)
b)
c)
/ 275
Validez.
Fiabilidad.
Variabilidad.
Como habrá adivinado el lector, la respuesta correcta es la b).
Estilo
8.Corregir y probar los ítems antes de llegar
a la versión definitiva.
Hay que asegurarse de que los ítems están formulados de forma correcta, tanto
en lo relativo a los aspectos gramaticales y
ortográficos como en el contenido. Aparte
de lo embarazoso y poco profesional que
puede resultar para quienes aplican los
test tener que hacer rectificaciones en la
sesión de evaluación, una formulación incorrecta del ítem afecta a la validez de las
inferencias hechas a partir de las puntuaciones del test. En suma, hay que revisar
con sumo cuidado los ítems antes de incluirlos en un test.
9.Ajustar la complejidad del lenguaje a las
personas evaluadas.
La idea central es que las personas evaluadas deben de comprender el ítem, otra
cosa es que luego conozcan o no la repuesta. Si no lo comprenden, no podremos saber si los fallos cometidos se deben a que
desconocen las respuestas o que no han
comprendido el enunciado. Las personas
evaluadas tienen que comprender bien los
ítems, la comprensión lectora no debe de
interferir con la variable medida
10.
Minimizar la cantidad de lectura en cada
ítem.
Ya nos lo dejó dicho nuestro Baltasar
Gracián: lo bueno, si breve, dos veces bueno. Hay que evitar enunciados farragosos
e innecesariamente largos que interfieren
con la variable que queremos evaluar. Esto
ocurre con cierta frecuencia en la evaluación educativa cuando se utilizan enunciados alambicados, en los que es difícil saber
cuál es exactamente lo que se pregunta.
Por ejemplo, si en un problema de matemáticas utilizamos una formulación muy
276 /
Introducción a la Psicometría
compleja, al final no sabemos si los estudiantes desconocen el problema matemático planteado o sencillamente no tienen
claro qué se pregunta. Además, al reducir
la longitud de los enunciados, podemos incluir más ítems en el mismo tiempo destinado a la evaluación, con el consiguiente
beneficio que ello supone para la fiabilidad y validez del test, tal como se vio en
los apartados correspondientes.
Redacción del enunciado
11.
Incluir la idea central en el enunciado y no
en las alternativas.
La parte importante del texto debe ir en
el enunciado, dejando las alternativas con
un texto breve. Un error bastante común
es hacer un enunciado breve y luego meter
demasiado texto en las alternativas, lo cual
aumenta innecesariamente la longitud del
ítem y hace la tarea de la persona evaluada más difícil, pues no conoce el objetivo
final del ítem hasta que no lee todas las
alternativas que contienen la mayor parte
de la información.
Expresar el enunciado en términos positi12.
vos.
Hay que evitar formular los ítems de
forma negativa. La razón de esta recomendación es que a las personas les resulta
mucho más difícil comprender textos formulados de forma negativa que positiva.
Por tanto, al formularlo negativamente, la
comprensión del ítem estaría interfiriendo
con la variable medida. Por ejemplo, si
pretendo evaluar la competencia matemática de las personas, no es deseable que
desempeñe un papel importante la comprensión verbal, ya que distorsionaría el
resultado.
Redacción de las alernativas
13.
Utilizar opciones que sean plausibles y discriminativas.
Las alternativas del ítem tienen que tener sentido, ser plausibles y discriminar
entre las personas más competentes en la
variable medida y las menos competentes.
Hay que evitar alternativas obvias o absurdas que rebajan la discriminación del ítem.
En el apartado dedicado al análisis de los
ítems ya se expuso cómo se pueden evaluar empíricamente estos aspectos una vez
que se ha aplicado el test. También vimos
allí los argumentos psicométricos que indican que el número aconsejable de alternativas es tres, frente a cuatro o cinco.
14.
Asegurarse de que solo una de las alternativas es la respuesta correcta.
Puede parecer una obviedad, pero conviene asegurarse de que no hay dudas sobre cuál es la respuesta correcta. Esto se
consigue con una buena revisión por parte
de varios expertos; si hubiese alguna duda
al respecto, hay que eliminar o corregir el
ítem. Si se detecta el problema tras llevar
a cabo la evaluación, hay que suprimir el
ítem como mal menor, pero, como se indicó más arriba, no es deseable, pues plantea
serios problemas deontológicos al perjudicar a las personas evaluadas.
Variar la colocación de la respuesta correcta.
15.
Se refiere a que hay que repartir aleatoriamente la alternativa en la que se coloca
la respuesta correcta. Si, por ejemplo, un
test consta de treinta ítems de tres alternativas cada uno, la respuesta correcta debería aparecer diez veces en la primera alternativa, diez en la segunda y diez en la
tercera. Hay que asegurarse de que esto se
lleva a cabo correctamente, pues si se deja
al mero azar del constructor del test podría ocurrir perfectamente que por determinada querencia no consciente acabase,
por ejemplo, apareciendo la respuesta correcta en primer lugar en el 80 % de los
casos, lo cual podría ayudar a las personas
evaluadas a obtener aciertos de forma espuria.
16.
Colocar las alternativas en un orden lógico
o numérico.
Cuando en las alternativas del ítem aparezcan cantidades numéricas, o ciertos argumentos lógicos, hay que presentarlos
ordenados. Los ítems tratan de detectar si
la persona evaluada domina determinada
© Ediciones Pirámide
Fases para la construcción de un test
materia, y el hecho de que los materiales
se presenten desordenados podría contribuir a la confusión, interfiriendo con el
verdadero nivel de la persona en la variable medida. El ordenamiento en las alternativas puede ser ascendente o descendente; por ejemplo en el siguiente ejemplo se
plantean en orden ascendente:
¿En qué año se publicó el libro de Rasch
sobre el modelo logístico de un parámetro?
a)
b)
c)
1954.
1960.
1975.
Recordará el lector que la correcta es la
opción b).
17.
Construir las alternativas independientes
entre sí, no deben solaparse.
Cada alternativa de un ítem tiene vida
propia, debe ser independiente del resto de
alternativas, sin solapamientos con las demás. Si resultan interdependientes, pueden
dar claves a las personas evaluadas sobre
la opción correcta, aparte de generar confusión.
No deben utilizarse las alternativas: ningu18.
na de las anteriores, todas las anteriores, no
lo sé.
Desgraciadamente es muy frecuente encontrar evaluaciones, sobre todo educativas,
en las que se incluyen este tipo de opciones,
que son totalmente desaconsejables. La razón fundamental de su inadecuación es que
van a permitir a las personas evaluadas hallar pistas sobre la alternativa correcta, independientemente de su nivel en la variable
medida. Es decir, a igual nivel de competencia en la variable medida, estas alternativas
van a favorecer a las personas más hábiles o
avezadas en la práctica de los test, desvirtuando así la medida genuina de la variable
objeto de la medición.
Es verdad que algunos autores mantienen abierta la posibilidad de utilizar la opción ninguna de las anteriores, pero nos unimos a quienes mantienen su inoportunidad,
© Ediciones Pirámide
/ 277
pues si la pregunta que se plantea en un
ítem tiene respuesta correcta, ¿por qué no
ha de figurar en el ítem? Parece la forma
más clara, directa y honesta intelectualmente de proceder. Como señalan Haladyna y Rodríguez (2013), no existe ninguna
ventaja en omitir la respuesta correcta en la
formulación del ítem.
En el caso de la opción todas las anteriores, el mayor problema es que puede dar
pistas a las personas evaluadas sobre la opción correcta, favoreciendo a aquellas personas más experimentadas en la práctica
de los test. Por ejemplo, si en un ítem de
cuatro alternativas, siendo la última todas
las anteriores, una persona sabe que dos de
las tres restantes son correctas, aun desconociendo la tercera, infiere acertadamente
que la correcta será todas las anteriores,
pues el ítem no puede tener dos correctas;
luego solo cabe que lo sean todas. En
suma, la habilidad de la persona para hacer test está interactuando con su nivel en
la variable medida, lo cual no es deseable.
En el caso de no lo sé, tampoco mejora
en nada la evaluación, y es mejor evitarla.
No todas las personas evaluadas la interpretan de la misma manera, por lo que
puede introducir sesgos indeseables en la
evaluación, de modo que es mejor evitarla.
19.
Formular las alternativas de forma positiva.
Como ya se indicó en la directriz 12 para
el enunciado del ítem, en el caso de las alternativas también deben formularse de
forma afirmativa por las dificultades que
conlleva para las personas evaluadas el
procesamiento de frases negativas. Como
ocurría en el enunciado, el uso de términos
como NO y EXCEPTO debe evitarse en la
redacción de las alternativas.
20.
Evitar dar pistas sobre la respuesta correcta.
a)
Longitud de las alternativas.
Las alternativas deben tener aproximadamente la misma longitud. Un
error muy frecuente es redactar de forma larga y detallada la opción correcta y luego despachar de forma breve
278 /
Introducción a la Psicometría
las incorrectas, dando la pista a las
personas evaluadas de que la correcta
es la opción larga. Hay que evitar este
error a toda costa.
b)
Determinantes específicos.
Hay que evitar dar pistas mediante
la utilización de determinantes tales
como siempre, nunca, totalmente, absolutamente o completamente. Estos
determinantes son tan extremos que
raramente van a figurar en la respuesta correcta, por lo que están indicando a las personas evaluadas que la
opción en la que aparecen no es la correcta. Lo mejor es evitarlos.
c)
Asociaciones de términos.
A veces en la formulación de los
ítems se pueden introducir términos en
el enunciado asociados con alguna de
las alternativas, dando pistas sobre la
respuesta correcta. Hay que evitar estas
asociaciones, que pueden ser de sonidos
similares, términos idénticos en el enunciado y las alternativas u otras posibilidades. Por ejemplo, el siguiente ítem
estaría cayendo en este error, al incluir
el término «fiabilidad» en el enunciado
y en la tercera alternativa, que es la correcta, dando pistas obvias sobre ella:
La fiabilidad de las puntuaciones de
un test se evalúa mediante el coeficiente de:
— Determinación.
— Validez.
— Fiabilidad.
d)
Pares o tríos de alternativas que den
pistas sobre la opción correcta.
Hay que evitar incluir entre las alternativas pares o tríos de ellas que
por su estrecha relación den pistas
claras a las personas evaluadas sobre
cuál es la respuesta correcta.
e) Alternativas claramente absurdas o ridículas.
Con demasiada frecuencia se encuentran ítems que incluyen entre sus
alternativas alguna que es absurda, ridícula, de dudoso gusto y por tanto
obvia para todas las personas evaluadas. Estas alternativas no contribuyen
a la calidad del ítem, por lo que no
deben utilizarse en ningún caso, son
alternativas perdidas. El siguiente
ítem sería un ejemplo claro de lo dicho:
El modelo lineal clásico fue formulado originalmente por:
— Spearman.
— Obama.
— Cervantes.
Una persona puede desconocer que
fue Spearman, quien en 1904 formulase el modelo lineal clásico, pero seguro que no fallará el ítem, dada su
formulación lamentable.
f )Homogeneidad de las alternativas.
Si las alternativas son muy heterogéneas en contenido o en su estructura gramatical pueden dar pistas sobre
la respuesta correcta, conviene que
tengan una cierta homogeneidad. Un
trabajo detallado sobre este aspecto
puede consultarse en Ascalon et al.
(2007).
21.
Hacer plausibles todas las alternativas incorrectas.
Las alternativas incorrectas, denominadas con frecuencia «distractores», han
de ser todas plausibles a priori. Es decir,
todas las alternativas incorrectas deben
tener su lógica y permitir la discriminación entre las personas más competentes
y menos competentes en la variable medida. En contextos educativos pueden
utilizarse los errores más comunes de los
estudiantes en la formulación de los distractores.
22.
No utilizar el humor.
No debe utilizarse el humor ni las gracias en la formulación de los ítems. Por
supuesto, el uso del humor puede ser un
© Ediciones Pirámide
Fases para la construcción de un test
recurso interesante en numerosas situaciones de enseñanza y aprendizaje, contribuyendo a rebajar las tensiones y a crear un
buen clima, pero su uso en la formulación
de los ítems no contribuye a mejorar la
evaluación, todo lo contrario. Como señalan Haladyna y Rodríguez (2013), supone
el desperdicio del distractor en el que se
incluye, haciendo, por tanto, el ítem más
fácil. También puede contribuir a que las
personas evaluadas no se tomen en serio
la evaluación, y en algunos casos puede
generar reacciones negativas de las personas evaluadas, sometidas como están a la
presión de la evaluación.
5. EDICIÓN
En esta fase se compone y se imprime la primera versión del test, además de construir la base de
datos con las claves de corrección. Este paso ha
sido con frecuencia injustamente infraestimado y,
sin embargo es esencial, pues el continente bien podría echar a perder el contenido. Buenos ítems pobremente editados dan como resultado un mal test,
igual que los malos barriles pueden echar a perder
los buenos vinos. Podemos haber construido un
buen banco de ítems que de nada servirá si luego
estos se presentan de forma desorganizada, con
errores tipográficos, o en un cuadernillo defectuoso.
Uno de los errores más frecuentes entre los constructores de test aficionados es utilizar fotocopias
malamente grapadas, con la excusa de que solo se
trata de una versión experimental de la prueba, olvidándose de que para las personas que las responden no existen pruebas experimentales, todas son
definitivas. El aspecto físico de la prueba forma
parte de la validez aparente. Es importante que el
instrumento dé la impresión de medir de manera
objetiva, rigurosa, fiable y válida la variable de interés, porque, entre otros aspectos, influye en un
punto esencial presente en todo el proceso de evaluación: la motivación de las personas evaluadas.
Por otra parte, en esta fase también se debe construir, si fuera el caso, la base de datos donde posteriormente se van a tabular las puntuaciones y a realizar los análisis estadísticos pertinentes, así como
las normas de corrección y puntuación, por ejem© Ediciones Pirámide
/ 279
plo si existen ítems que se deben recodificar, si se va
a crear una puntuación total o varias puntaciones,
etcétera.
6. ESTUDIOS PILOTO
La finalidad de cualquier estudio piloto es
examinar el funcionamiento general del instrumento de medida en una muestra de participantes
con características semejantes a la población objeto de interés. Esta fase es de suma importancia,
ya que permite detectar, evitar y corregir posibles
errores, así como llevar a cabo una primera comprobación del funcionamiento del instrumento de
evaluación en el contexto aplicado. El estudio piloto podría verse como una representación en miniatura de lo que posteriormente va a ser el estudio de campo.
Existen dos tipos fundamentales de estudio piloto: cualitativo y cuantitativo (Wilson, 2005). El
estudio piloto cualitativo permite, a partir de grupos
de discusión, debatir diferentes aspectos relacionados con el instrumento de medida, por ejemplo la
detección de errores semánticos o gramaticales, el
grado de comprensibilidad de los ítems, las posibles
incongruencias semánticas, etc. Los participantes en
este pilotaje pueden ser (o no) similares a la población objeto de medición. Por su parte, el estudio piloto cuantitativo permite examinar las propiedades
métricas de la versión preliminar del instrumento de
medida, y ha de llevarse a cabo con personas similares a las que va dirigida la prueba. En ambos casos
se deben anotar de forma detallada todas las posibles incidencias acaecidas durante la aplicación, por
ejemplo preguntas o sugerencias de los participantes, grado de comprensión de los ítems, así como
posibles errores o problemas detectados en el instrumento.
A continuación, una vez tabulados los datos, se
procede a los análisis de la calidad psicométrica de
los ítems. En función de criterios sustantivos y estadísticos, algunos ítems se mantienen mientras que
otros son descartados o modificados. Es importante que el constructor del instrumento de evaluación
deje constancia de qué ítems fueron eliminados o
modificados y por qué, además de explicitar con
claridad el criterio (cualitativo o cuantitativo) por
el cual se eliminaron. En este paso, si se considera
280 /
Introducción a la Psicometría
conveniente, se pueden incorporar nuevos ítems.
Todas las actividades deben ir destinadas a seleccionar los ítems con mayores garantías métricas que
maximicen las propiedades finales del instrumento
de evaluación. Finalmente, se debe construir una
nueva versión del instrumento de medida que es revisada de nuevo por el grupo de expertos y que será
la que en última instancia se administre en el estudio final de campo.
7. SELECCIÓN DE OTROS INSTRUMENTOS
DE MEDIDA
La selección adecuada de otros instrumentos de
evaluación permite recoger evidencias a favor de la
validez de las puntuaciones de los participantes
(Elosua, 2003). Es interesante que no se pierda el
norte: la finalidad última de todo proceso de construcción de instrumentos de medida es siempre obtener evidencias de validez. La selección adecuada
de otras variables de interés permite aglutinar diferentes tipos de evidencias que conduzcan a una mejor interpretación de las puntuaciones en el instrumento de medida dentro de un contexto y uso
particular. En este sentido, se pueden establecer relaciones con un criterio externo, con otros instrumentos de medida que pretendan medir la misma
variable u otras diferentes (lo que anteriormente se
había denominado «definición sintáctica»). Las
asociaciones entre las variables son la base para la
obtención de evidencias de validez de relación con
variables externas, que permite la construcción de
una red nomológica.
La decisión de qué instrumentos se deben utilizar complementariamente con el nuestro viene afectada tanto por cuestiones sustantivas como pragmáticas, referidas a exigencias de tiempo y lugar y,
cómo no, materiales (por ejemplo, posibilidad de
acceso al test, cuestiones económicas, etc.). Evidentemente las exigencias materiales y temporales, así
como las razones éticas, no permiten administrar
todos los instrumentos que quisiéramos, si bien
aquí no se trata de pasar cuantos más mejor, sino
de seleccionar aquellos de mayor calidad científica,
a partir de los cuales se pueda profundizar en el
significado de nuestras puntuaciones. Algunas recomendaciones prácticas en la selección de otros instrumentos de medida son:
a)Que se encuentren validados para la población objeto de interés y se conozcan sus
propiedades psicométricas.
b)Que sean sencillos y de rápida administración.
c)Que tengan «coherencia» sustantiva de
cara a establecer relaciones entre las variables, dentro de una red nomológica.
8. APLICACIÓN DEL TEST
En esta fase de estudio de campo se incluyen la
selección de la muestra (tipo, tamaño y procedimiento), la aplicación propiamente dicha del instrumento de medida a los participantes y el control de
calidad y seguridad de la base de datos.
La representatividad y generalizabilidad de los
resultados dependen en gran medida de que la
muestra elegida sea realmente representativa de la
población objetivo de estudio. Elegir una muestra
pertinente en cuanto a representatividad y tamaño
es esencial: si se falla en esto, todo lo demás va a
quedar invalidado. El muestreo probabilístico siempre es preferible al no probabilístico; para la estimación del tamaño muestral requerido para un determinado error de medida ha de acudirse a los textos
especializados, o consultar a los expertos en la tecnología de muestreo. Aunque no hay recetas universales y aún no se dispone de una base sólida para
tal afirmación, se suele recomendar que por cada
ítem administrado tengamos al menos cinco o 10
personas, o unas 200 observaciones como mínimo
(Ferrando y Anguiano, 2010), si bien determinadas
técnicas estadísticas pueden reclamar incluso más
de cara a una buena estimación de los parámetros,
por ejemplo los modelos de teoría de respuesta a los
ítems.
Las actividades relacionadas con la aplicación
y el uso del instrumento de medida, son cruciales
durante el proceso de validación (Muñiz y Bartram,
2007; Muñiz et al., 2005). Cuando aplicamos cualquier instrumento de medida, hay que cuidarse de
que las condiciones físicas de la aplicación sean las
adecuadas (luz, temperatura, ruido, comodidad de
los asientos, etc.). Igualmente, las personas encargadas de la administración del instrumento de medida deben establecer una buena relación (rapport)
con los participantes, estar familiarizados con la
© Ediciones Pirámide
Fases para la construcción de un test
administración de este tipo de herramientas, dar las
instrucciones a los participantes correctamente,
ejemplificar con claridad cómo se resuelven las preguntas, supervisar la administración y minimizar al
máximo las posibles fuentes de error. Por todo ello
es recomendable elaborar unas pautas o directrices
que permitan estandarizar la administración del
instrumento de medida y garanticen la equidad.
El control de calidad de la base de datos es otro
tema a veces poco valorado en el proceso de construcción de instrumentos de medida. Por control de
calidad nos referimos a una actividad que tiene
como intención comprobar que los datos introducidos en la base de datos se correspondan exactamente con las puntuaciones de los participantes en la
prueba. Frecuentemente, cuando introducimos las
puntuaciones de los participantes en una base de
datos se pueden cometer multitud de errores, razón
por la cual es altamente recomendable comprobar
de forma rigurosa que los datos se han introducido
correctamente. Una estrategia sencilla que se puede
utilizar a posteriori es la de extraer al azar un cierto porcentaje de los participantes y comprobar la
correspondencia entre las puntuaciones en la prueba y la base de datos. No obstante, los mejores errores son los que no se cometen, así que hay que poner todos los medios para minimizar los errores a
la hora de construir la base de datos.
9. PROPIEDADES PSICOMÉTRICAS
Una vez aplicado el test a la muestra de interés,
se procede al estudio de las propiedades psicométricas de sus puntuaciones: análisis de los ítems,
estimación de la fiabilidad de las puntuaciones, obtención de evidencias de validez (por ejemplo,
estudio de la dimensionalidad, análisis del funcionamiento diferencial de los ítems, relación con variables externas) y construcción de baremos. Como
se ha visto con detalle en el epígrafe 2, la fiabilidad
se refiere a la precisión de las puntuaciones, esto es,
a la calidad de los datos, mientras que la validez se
refiere a la calidad de las inferencias hechas a partir de las puntuaciones (Prieto y Delgado, 2010).
En sentido estricto no es fiable el test, sino las puntuaciones obtenidas en él. Análogamente, un test
no es válido, sino que lo son las inferencias hechas
a partir de las puntuaciones. Nótese que todo pro© Ediciones Pirámide
/ 281
ceso de medición en la ciencia que sea, la psicología incluida, conlleva necesariamente un error, el
cual tiene que quedar claramente reflejado cuando
el profesional lleva a cabo una evaluación.
En esta fase debe primar por encima de todo el
rigor metodológico. Todos los pasos y decisiones
que se tomen se deben describir con claridad y deben estar correctamente razonadas. En un primer
lugar se deben analizar los ítems tanto a nivel cualitativo como cuantitativo. Para seleccionar los mejores ítems desde el punto de vista psicométrico se
pueden tener en cuenta el índice de dificultad (cuando proceda), el índice de discriminación, las cargas
factoriales y/o el funcionamiento diferencial de los
ítems (Muñiz et al., 2005). El funcionamiento diferencial de los ítems trata de garantizar la equidad
en el proceso de medición. La ausencia de funcionamiento diferencial en un ítem supone que la probabilidad de respuesta correcta depende únicamente del nivel del participante en la variable objeto de
medición, y no está condicionada por la pertenencia a un grupo determinado o característica, por
ejemplo, género, cultura u otro aspecto cualquiera
(Gómez, Hidalgo y Guilera, 2010). No se debe perder de vista que la finalidad del análisis psicométrico de los ítems es maximizar o potenciar las propiedades métricas del instrumento de medida; no
obstante, no existen reglas universales, y las consideraciones estadísticas no garantizan unos resultados con significación conceptual, por lo que hay
que tener presente también los aspectos sustantivos
(Muñiz et al., 2005).
Una vez seleccionados los ítems, se procede al
estudio de la dimensionalidad del instrumento para
obtener evidencias de validez de su estructura interna. En el caso de encontrar una solución esencialmente unidimensional, nos podríamos plantear la
construcción de una puntuación total, y en el caso
de una estructura multidimensional deberíamos
pensar en un conjunto de escalas o perfil de puntuaciones. El análisis factorial exploratorio y confirmatorio y el análisis de componentes principales son
las técnicas multivariantes más utilizadas para examinar la estructura interna que subyace a las puntuaciones de un instrumento de evaluación (Ferrando y Anguiano, 2010), si bien no son las únicas
(Cuesta, 1996). Una vez determinada la dimensionalidad de las puntuaciones del instrumento de medida, se lleva a cabo una estimación de la fiabilidad,
282 /
Introducción a la Psicometría
para lo cual se pueden seguir diversas estrategias,
tanto desde el punto de vista de la teoría clásica de
los test como de la teoría de respuesta a los ítems
(Muñiz, 1997a, 2003). Posteriormente, y de cara a
obtener evidencias de validez, se debe observar la
relación del instrumento de medida con otros instrumentos de evaluación, y finalmente se lleva a cabo
una baremación del instrumento de medida que permita establecer puntos de corte con alguna finalidad
práctica o profesional. Los desarrollos estadísticos y
técnicos en este campo son notables, incorporándose cada vez más a menudo los métodos estadísticos
robustos (Erceg-Hurn y Mirosevich, 2008), el análisis factorial confirmatorio (Brown, 2015), los test
adaptativos informatizados (Olea, Abad y Barrada,
2010; Wells y Faulkner-Bond, 2016) o el análisis de
redes (Borsboom y Cramer, 2013).
10. VERSIÓN FINAL DEL TEST
En último lugar, se procede a la elaboración de
la versión definitiva del test, se envía un informe
de resultados a las partes interesadas y se elabora el
manual que permita su utilización a otras personas
o instituciones interesadas. El manual de la prueba
debe recoger con todo detalle todas las características relevantes de la prueba. Finalmente, y aunque
sea la última fase, esto no quiere decir que el proceso de validación concluya aquí, pues posteriores estudios deberán seguir recogiendo evidencias de validez que permitan tomar decisiones fundadas a
partir de las puntuaciones de las personas. Asimismo conviene llevar a cabo una evaluación rigurosa
y sistemática del instrumento elaborado, para lo
cual puede utilizarse el modelo de evaluación de test
elaborado por la European Federation of Professional Psychologists Associations (EFPA), adaptado
en España por Hernández, Ponsoda, Muñiz, Prieto
y Elosua (2016), que se presenta en el siguiente capítulo.
Se han descrito los diez pasos fundamentales
que habría que seguir para desarrollar un test objetivo y riguroso para evaluar variables psicológicas.
Estos pasos no se pueden abordar en profundidad
desde un punto de vista técnico en un breve documento como este; no se trataba de eso, sino de poner a disposición de los estudiantes y profesionales
una guía general que les permitiese obtener una visión panorámica de las actividades implicadas en el
desarrollo de los instrumentos de medida. Se cita
además la bibliografía especializada, a la que pueden acudir aquellos interesados en profundizar en
esta temática. El campo de la elaboración de instrumentos de medida está altamente desarrollado, y es
necesario acudir a personal cualificado para su desarrollo adecuado, pues constituye una temeridad
dejarlo en manos de aficionados bienintencionados.
Que un instrumento de evaluación esté adecuadamente construido y reúna las propiedades técnicas
idóneas es condición necesaria, pero no es suficiente: además hay que utilizar la prueba de forma pertinente. En el capítulo 9 nos ocupamos de la utilización adecuada de los test.
© Ediciones Pirámide
Utilización de los test
1. ESTRATEGIAS PARA MEJORAR EL USO
DE LOS TEST
En los últimos años se ha hecho un esfuerzo importante por parte de distintas instituciones y organismos para mejorar el uso de los test, y es que de
nada vale que una prueba reúna las mejores características psicométricas si luego se falla a la hora de
su utilización. Las organizaciones que dedican sus
esfuerzos a mejorar el uso de los test, tanto nacionales como internacionales, llevan a cabo acciones y
proyectos de carácter muy diverso, si bien pueden
articularse en torno a dos grandes estrategias: restrictiva e informativa. La estrategia restrictiva se refiere a las acciones llevadas a cabo para limitar o
restringir el uso de los test a aquellos profesionales
que están realmente preparados para hacerlo, aunque los sistemas utilizados varían de unos países a
otros (Bartram, 1996; Bartram y Coyne, 1998; Muñiz, Prieto, Almeida y Bartram, 1999; Muñiz et al.,
2001; Prieto y Muñiz, 2000). Puede tratarse de restricciones legales para la comercialización de los
test, certificación de profesionales que pueden usar
las pruebas, restricción de acceso a los test si no se
acredita la competencia como usuario, etc. Estas restricciones u otras son necesarias, pero no garantizan
por sí solas un uso adecuado de los test (Moreland,
Eyde, Robertson, Primoff y Most, 1995; Simner,
1996), por lo que hay que complementarlas con la
difusión de información a todas las partes implicadas, tales como profesionales, usuarios, instituciones
y sociedad en general. Estas acciones llevadas a cabo
en el marco de la estrategia que hemos denominado
«informativa» se refieren a todo tipo de iniciativas
encaminadas a difundir información sobre los test y
© Ediciones Pirámide
9
su práctica. En este sentido, distintas organizaciones
nacionales e internacionales han desarrollado códigos éticos y deontológicos, así como directrices varias para guiar el uso adecuado de los test. Entre los
primeros cabe destacar el metacódigo ético de la Federación Europea de Asociaciones de Psicólogos
(EFPA, 1996), el código ético desarrollado por la
APA (2017), el código sobre uso de los test (Joint
Committee on Testing Practices, 2004) o las directrices de la Asociación Europea de Evaluación Psicológica (Fernández-Ballesteros et al., 2003). Aparte
de estos códigos generales, disponemos en la actualidad de un conjunto de directrices que marcan los
pasos a seguir desde la propia construcción de la
prueba, su aplicación, interpretación y aplicación de
los resultados (Bartram, 1998; Brennan, 2006; Downing y Haladyna, 2006; Muñiz, 1997b). Merecen
mención especial los estándares técnicos desarrollados por la APA y otras dos organizaciones (AERA,
APA y NCME, 2014), así como las directrices elaboradas por la Comisión Internacional de Test (ITC)
para la traducción y adaptación de los test de unas
culturas a otras (Hambleton, Merenda y Spiel­berger,
2005; International Test Commission, 2017; Muñiz,
Elosua, Padilla y Hambleton, 2016). Para consultar
otras directrices sobre el uso de los test en general,
de los test informatizados e internet, o la utilización
de los test en el ámbito del trabajo y las organizaciones, véanse, por ejemplo, los trabajos de Muñiz y
Bartram (2007) y Muñiz, Hernández y Ponsoda
(2015) o las páginas web de la ITC (www.intestcom.
org) y de la EFPA (www.efpa.eu). También en la página web del Consejo General de Psicología de España, en el apartado de la Comisión de Test, se puede consultar información de interés (www.cop.es). Al
284 /
Introducción a la Psicometría
lado de los códigos éticos y las directrices, hay dos
medidas que merecen atención dentro de las acciones enmarcadas en la estrategia de la información.
Se trata por un lado de una nueva norma ISO 10667,
que regula todo lo relativo a la evaluación de personas en contextos laborales, y, por otro, de los modelos de evaluación de la calidad de los test desarrollados en distintos países (Evers et al., 2013; Hernández,
Ponsoda, Muñiz, Prieto y Elosua, 2016). Se presentan a continuación algunos de los aspectos más relevantes a la hora de mejorar el uso que se hace de
los test.
2. FORMACIÓN DE LOS USUARIOS
¿Qué debe saber un psicólogo para utilizar los
test adecuadamente? ¿Es suficiente la formación
que recibe en el grado? ¿Se requiere una formación
especial para el uso de ciertos test? ¿Pueden utilizar
los test de forma adecuada otros profesionales que
no sean psicólogos? Esas son algunas de las preguntas en torno a las cuales gira el problema de la formación. En primer lugar, señalar que el mero grado
en psicología no es garantía de que se posean conocimientos suficientes para utilizar cualquier tipo de
test con cualquier finalidad. En muchos países, no
es el caso de España, el grado no implica pasar
obligatoriamente cursos de psicometría para ser
psicólogo, pero, incluso cuando es así, es imposible
dar en la carrera una formación que cubra todos los
test y finalidades para las que se usan. Es, por tanto, inevitable una formación continua de posgrado,
que puede venir vía másteres, doctorado o cursos
de especialización impartidos por distintas instituciones, tales como universidades, hospitales, organizaciones profesionales, etc. Debido a esta variedad
de instituciones formadoras, existe también una
amplia gama de currículums impartidos, pues la diversidad de conocimientos exigidos en función del
tipo de test y del área de aplicación es muy extensa.
Moreland et al. (1995), en un interesante trabajo
sobre las cualificaciones de los usuarios de los test,
señalan doce competencias mínimas que debe poseer cualquier usuario (tabla 9.1); pero son solo eso,
los mínimos. Tal vez convenga subrayar, por obvia,
la octava, relativa a la fotocopia de los materiales.
Muchos psicólogos profesionales, así como profesores universitarios, no parecen darse cuenta de que
la fotocopia de los materiales psicotécnicos perjudica a todos, empezando por los autores, continuando por las compañías editoras de los test y siguiendo por los propios usuarios y clientes, que no están
recibiendo el material adecuado, amén de dañar la
propia reputación de un profesional que trabaja
con materiales fotocopiados.
TABLA 9.1
Competencias mínimas para el uso de los test
1.Evitar errores al puntuar y registrar los resultados.
2.Abstenerse de etiquetar a las personas con términos despectivos basándose en las puntuaciones de los test.
3.Mantener la seguridad de las plantillas y resto
de materiales.
4.Asegurarse de que todas las personas evaluadas
siguen las instrucciones.
5.Aplicar los test en unas condiciones que permitan a los evaluados un rendimiento óptimo.
6.Abstenerse de entrenar a las personas en los
ítems del test.
7.Estar dispuesto a interpretar las puntuaciones y
aconsejar a las personas evaluadas en sesiones
diseñadas para ello.
8.No hacer fotocopias del material psicotécnico.
9.Abstenerse de utilizar hojas de respuesta caseras
que pueden no ajustarse con precisión a la plantilla.
10.Establecer una buena relación con las personas
evaluadas.
11.Abstenerse de responder preguntas de las personas evaluadas examinados con mayor detalle del
permitido por el manual del test.
12.No asumir que una norma para un trabajo vale
sin más para otro diferente y que las normas
válidas para un grupo son automáticamente
aplicables a otro distinto.
Fuente: adaptado de Moreland, Eyde, Robertson, Primoff
y Most (1995).
Las competencias mínimas están bien, pero los
problemas sobre cuáles son los currículums más
adecuados y quién debe impartirlos resultan más
complejos. Por ejemplo, la comisión de test de la
EFPA en una de sus reuniones (Muñiz, 1996a) discutió un posible modelo de currículum para la formación en el que se contemplasen tres factores: la
© Ediciones Pirámide
Utilización de los test
especialización requerida por el instrumento (tres
niveles: A, B, C), el tipo de profesional (psicólogo,
médicos/educadores, otros) y el área de aplicación
(clínica, educativa, trabajo). Cruzando los tres factores, se tendría un modelo de 27 (3 × 3 × 3) currículums distintos, y no es exhaustivo, otros muchos
modelos son pensables. En Europa cabe destacar el
modelo de formación en el uso de los test en el
campo de psicología del trabajo del colegio de psicólogos inglés (Bartram, 1996), así como la aproximación holandesa (Evers, 1996). Una buena panorámica de lo que ocurre en Estados Unidos puede
consultarse en Fremer (1996). En nuestro país el
Colegio Oficial de Psicólogos (COP) ha creado una
comisión de test que está trabajando sobre este y
otros asuntos relacionados con ellos. También tiene
establecido un programa de formación continua
(FOCAD), que incluye algunos módulos relativos
a la construcción y uso de los instrumentos de medida. En suma, dada la rápida evolución del campo
de la evaluación psicométrica, la formación continua resulta imprescindible para usar de forma rigurosa y responsable los instrumentos de medida.
3. ESTÁNDARES TÉCNICOS
Ahora bien, sea cual fuere el programa de formación, las normas fundamentales a las que tratan
de ajustarse los formadores de usuarios son los estándares para el uso de los test, elaborados a modo
de códigos técnicos por las asociaciones de psicólogos de los distintos países y entre los que destacan
por su uso generalizado los editados conjuntamente por la American Educational Research Association, la APA y el National Council on Measurement in Education (2014). La primera edición de
estos estándares data de 1954, con ediciones en
1955, 1966, 1974, 1985, 1999 y 2014. Los estándares
cubren todos los aspectos relativos a la construcción y uso de los test, y la última edición de 2014 se
organiza en torno a tres grandes apartados: fundamentos, operaciones y aplicaciones. En el apartado
de fundamentos se recoge todo lo relativo a la validez, fiabilidad y equidad de los test. En el dedicado
a las operaciones se aborda todo lo concerniente al
diseño y construcción de los test, puntuaciones,
equiparación, baremos, puntos de corte, aplicación,
documentación y derechos y deberes de las perso© Ediciones Pirámide
/ 285
nas evaluadas y de los responsables de la evaluación. Finalmente, en el apartado de aplicaciones se
aborda el uso de los test en contextos aplicados, con
especial atención al ámbito laboral, educativo y
evaluación de programas. Estos estándares representan de algún modo el consenso psicométrico del
momento, por lo que su uso y consulta resultan imprescindibles tanto en el ámbito teórico como en el
aplicado y profesional.
Mención especial merece también la norma
ISO 10667, que regula todo lo relativo a la evaluación de personas en entornos laborales. Las siglas
ISO se refieren a la organización internacional
para la estandarización (www.iso.org), que desarrolla normativas en todos sectores industriales y
de servicios. En cada país tiene un representante
oficial, que en el caso de España es AENOR. A
iniciativa de los representantes alemanes (DIN), se
inició un proceso para elaborar una nueva norma
ISO que regulase todo lo relativo a la evaluación
de las personas en el ámbito laboral, y tras cuatro
años de trabajo de una comisión internacional la
norma se publicó en 2011, y la versión española en
2013. Como es fácil de entender, esta nueva norma
es de gran interés para los psicólogos, dado su papel central en la evaluación de personas en contextos laborales. La norma no inventa nada nuevo,
sencillamente sistematiza y da estructura de norma
ISO a las directrices, códigos éticos y regulaciones
dispersas ya existentes en el ámbito de la evaluación. La norma ISO tiene una gran importancia,
pues, una vez aprobada, las empresas e instituciones podrán certificarse en ella, garantizando que la
cumplen. No tiene rango legal en sentido estricto
pero constituye una importante base reguladora
del mercado, pues no será lo mismo estar certificado que no estarlo. El objetivo de la norma es proporcionar unas reglas claras y concisas a los proveedores de servicios de evaluación y a los clientes
de estos, con el fin de llevar a cabo un proceso evaluativo riguroso. Cubre todo el proceso de evaluación, desde el establecimiento del contrato de evaluación hasta la utilización de los resultados,
pasando por la metodología de la evaluación en sí
misma. Es aplicable a los procedimientos y métodos utilizados a nivel individual (selección, consejo,
formación...), grupal (clima y cohesión de equipos
de trabajo) y organizacional (clima laboral, cultura
de empresa, satisfacción...). En la norma se descri-
286 /
Introducción a la Psicometría
ben las competencias, obligaciones y responsabilidades de los clientes y de los proveedores del servicio de evaluación, antes, durante y después del
proceso evaluativo. También proporciona directrices para todas las partes implicadas en el proceso
evaluador, incluida la propia persona evaluada y
quienes reciban los resultados de la evaluación.
Esta nueva norma puede suponer un importante
paso para la buena práctica de la evaluación de
personas en contextos laborales y organizacionales
(Muñiz, 2012). Además, aporta unas ventajas claras para los psicólogos que trabajan en contextos
organizacionales, pues:
a)Proporciona a los psicólogos un lenguaje
claro y riguroso sobre evaluación.
b)Aporta un protocolo internacional.
c)Otorga un papel central al psicólogo en el
departamento de recursos humanos.
d)Potencia el rol del departamento de recursos humanos en el organigrama de la empresa.
La norma consta de seis partes:
a)
Objeto y ámbito de aplicación, donde se
hace una introducción y una descripción
general de la norma.
Terminología y definiciones, que fijan el senb)
tido estricto de la terminología utilizada.
c)
Acuerdo cliente-proveedor de servicio, donde
se establecen las responsabilidades del cliente y del proveedor de servicios, se hace una
previsión de resultados y consecuencias, se
deja clara la competencia de los profesionales implicados en la evaluación y se fijan las
posibles actividades complementarias de investigación a llevar a cabo.
d)
Procedimientos de preevaluación, que tratan
de identificar las necesidades evaluativas,
tomar decisiones sobre los servicios de evaluación ofertados y acuerdo entre el proveedor de servicios y el cliente.
e)
Realización de la evaluación, que constituye
el núcleo de la norma y abarca los siguientes procesos: planificación de la evaluación,
información a los participantes, desarrollo
de la evaluación, interpretación de los resultados, preparación de informes, informa-
ción a las partes implicadas (feedback) y
valoración de la evaluación.
f )
Revisión postevaluación, donde se comprueba el cumplimiento de los objetivos, lo que
se desarrolló y no de acuerdo con lo planeado, las lecciones aprendidas para la mejora futura, las consecuencias deseadas y
no deseadas que se hallaron, la claridad de
los informes y el uso que se hace de ellos.
Además de estos apartados, la norma incluye
cuatro anexos con especificaciones sobre:
a)Derechos y deberes de los participantes en
la evaluación.
b)Documentación técnica sobre los métodos
y procedimientos utilizados, que incluye
todo lo relativo a la documentación y propiedades psicométricas de los instrumentos
de medida utilizados (fiabilidad, validez,
equidad, acomodaciones, etc.).
c)Información complementaria sobre el análisis e interpretación de los resultados.
d)Información complementaria sobre los informes y sus características.
En conclusión, la norma ISO 10667 regula con
precisión y rigor las evaluaciones en entornos laborales, asegurándose de que todas las decisiones tomadas sobre las personas se basen en evidencias
empíricas comprobadas.
4. PREPARACIÓN PARA LOS TEST
Cuando los test se aplican en un contexto de
selección de personal, bien sea profesional o educativa, en el que la persona evaluada se juega mucho,
surge inevitablemente la búsqueda de preparación o
entrenamiento para intentar superar el test. En España, dado que la selectividad universitaria no se
lleva a cabo mediante pruebas psicométricas, como
ocurre en la mayoría de los países avanzados, este
problema tiene una menor incidencia, pero es habitual en los exámenes PIR y MIR, por ejemplo,
aparte de en otros procesos de selección. Cualquier
área en la que el test desempeñe un papel importante para la persona evaluada es susceptible de preparación, incluso los test de integridad en el puesto de
© Ediciones Pirámide
Utilización de los test
trabajo (Alliger et al., 1996). Los datos muestran
con bastante claridad (Messick y Jungeblut, 1981;
Powers, 1993) que, al menos en el campo del rendimiento educativo, la preparación específica para los
test logra algunas mejoras en las puntuaciones obtenidas. Las ganancias suelen ser algo mayores en
las áreas cuantitativas que en las verbales, y ambas
están en función, como no podía ser de otro modo,
de las horas dedicadas al entrenamiento. El asunto
alcanza tal envergadura económica que existen empresas transnacionales especializadas en la preparación. En Israel, por ejemplo, el 77 % de los estudiantes se someten a cursos de preparación de las
pruebas de selectividad universitaria (Allalouf y
Shakhar, 1998). Aunque haya muchos programas
distintos y modalidades, la preparación para los
test siempre conlleva al menos tres elementos:
a)Familiarizarse con el test: conocer las instrucciones, tipos de ítems, tiempos, formatos, tipo de corrección, etc.
b)Revisión y estudio de los contenidos sobre
los que versa el test.
c)Coger oficio (test wiseness) para responder
al test, es decir, aprender a utilizar en beneficio propio las características y formato del
test.
Las cuatro estrategias clásicas para sacar beneficio de las características del test serían: uso eficiente del tiempo disponible, evitación de errores,
control sobre los aciertos al azar y razonamiento
deductivo (Millman et al., 1965; Rogers y Yang,
1996).
El uso de entrenamientos para superar los test
¿puede llegar a alterar la validez predictiva de estos?
Si así fuera, estaríamos ante un problema ciertamente serio. Los datos empíricos de los que se dispone
(Allalouf y Shakhar, 1998; Baydar, 1990; Jones,
1986; Powers, 1985) parecen indicar con bastante
claridad que al menos la validez predictiva de los
test de rendimiento académico no viene negativamente afectada por la preparación. Una buena revisión de los resultados y problemas implicados en el
entrenamiento para los test puede verse en los trabajos de Crocker (2006) y Bishop y Davis-Becker
(2016); también los estándares de la AERA, APA y
NCME (2014) incluyen algunas directrices al respecto. Emerge, no obstante, un problema adjunto, el de
© Ediciones Pirámide
/ 287
qué hacer con las personas que por razones económicas no pueden acceder a cursos de preparación,
que no suelen ser baratos. Para mitigarlo, las instituciones encargadas de construir y aplicar la prueba
deben poner en manos de los aspirantes materiales
suficientes para que puedan familiarizarse con ella.
En estas situaciones de tanta relevancia para las
personas evaluadas no faltará quienes intenten utilizar cualquier medio a su alcance para superar la
prueba, copiando de otros, por ejemplo. Las agencias responsables de este tipo de pruebas disponen
de sistemas sofisticados para detectar a los copiadores y, aparte de la meticulosidad de todo el proceso,
tras la prueba llevan a cabo un escrutinio exhaustivo
de las respuestas para detectar posibles anomalías.
Existen varios índices estadísticos a tal efecto (Frary
et al., 1977; Hanson el al., 1987), así como software
específicamente diseñado para la detección a posteriori de copiadores. Un análisis detallado sobre los
fraudes en el uso de las pruebas y la seguridad puede consultarse en Foster (2016), Impara y Foster
(2006) o Wollack y Fremer (2013). También pueden
verse las directrices de la ITC sobre seguridad (Muñiz, Hernández y Ponsoda, 2015).
5. UTILIZACIÓN DE LOS DATOS
DE LOS TEST
Si todo se ha hecho bien, es decir, el test es fiable y válido y la aplicación y corrección se han llevado a cabo sin errores, aún hay que salvar el último escollo que puede hacer peligrar un uso ético y
deontológico del test: la correcta utilización de los
resultados. Como ya se ha visto en los códigos y
estándares expuestos, este es un aspecto central en
la práctica. La regla general es que los resultados
solo pueden ofrecerse al cliente o persona/institución autorizada, salvo casos especiales previstos por
la ley, tales como evaluaciones obligatorias. El psicólogo se mueve a veces en un terreno resbaladizo
donde convergen la ética profesional, los intereses
de compañías e instituciones y la legislación correspondiente. No hay reglas universales, pero el psicólogo tiene que hacer todo lo posible para que
prevalezca su ética profesional. Debido a estas dificultades, la APA (1996) ha publicado un documento complementario del código ético y estándares
técnicos para orientar a los psicólogos en el uso de
288 /
Introducción a la Psicometría
los datos de los test. En dicho documento se tratan
problemas tales como necesidad de informar de forma exhaustiva al cliente, seguridad de los datos,
personas no cualificadas para el uso de los resultados, protección del copyright de la prueba, peritaciones judiciales, reproducción de ítems en medios
de comunicación, uso de materiales para la enseñanza y entrenamiento, etc. El denominador común
a todas las recomendaciones ofrecidas es la necesidad de mantener suma prudencia a la hora de manejar tanto los resultados como los materiales del
test, pues, de lo contrario, podría echarse a perder
la prueba, independientemente de sus otras propiedades psicométricas.
Dentro de este contexto del uso de los datos y
materiales del test, requiere mención especial la
obligación legal existente en algunos países de hacer
público el test (disclosure) una vez que se ha calificado. Los fines perseguidos con ello son nobles y
pueden sintetizarse en cuatro:
a)Como cualquier otra industria, la aplicación de test debe estar sujeta al escrutinio
externo que asegure transparencia y calidad.
b)Ofrece a las personas evaluadas información sobre su actuación, permitiéndoles
aprender de sus errores.
c)Permite a los examinados comprobar que
no se cometieron errores con ellos y que los
ítems son adecuados.
d)Hace posible que las personas evaluadas se
familiaricen con la prueba: formato, tipos
de contenidos, tiempos, etc.
En suma, al hacer público el test, las personas
que se vayan a evaluar en el futuro pueden practicar con protocolos reales del test y las ya evaluadas
reciben información sobre lo hecho. Es difícil no
estar de acuerdo con estos fines, pero en la práctica
no siempre y en todo caso son estrictamente aplicables. La primera consecuencia de hacer público el
test es que los ítems solo son utilizables una vez, lo
cual encarece notablemente la prueba, pues hay que
hacer nuevos ítems para cada ocasión. Por otra
parte, esta filosofía encaja bien para el caso de exámenes selectivos que se realizan periódicamente,
sobre todo en el campo educativo, pero choca si se
trata de llevar a la práctica en áreas como la eva-
luación clínica, donde, por otra parte, las pruebas
tienen su correspondiente copyright. Un problema
especialmente grave se presenta si se pretende aplicar el principio sin alguna corrección a los test
adaptativos informatizados. Estos test, como ya se
ha señalado antes, operan aplicando ciertos ítems
extraídos de un banco de ítems a cada persona evaluada. Tras examinar a unas cuantas personas, probablemente la mayoría (o todos) de los ítems del
banco habrán sido utilizados, de modo que si se les
obliga a publicarlos, sencillamente se quedan sin
banco de ítems. Distintas organizaciones están tratando de modificar la legislación existente en algunos países, elaborada para test de papel y lápiz,
para ajustarla a las nuevas exigencias de los test
adaptativos informatizados (Lunz, 1997). Una posible alternativa sería, por ejemplo, publicar cada
cierto tiempo un porcentaje de los ítems del banco.
Aparte de ­aumentar los costes y chocar con los derechos de copyright, hacer públicos sistemáticamente los ítems de los test utilizados plantea interrogantes acerca de la influencia sobre la validez de la
prueba en el futuro. Indirectamente puede tender a
rebajar la calidad de la prueba, al obligar a los
constructores a elaborar nuevos ítems cada vez que
los utilizan una vez. Escribir ítems y contrastar sus
propiedades psicométricas es tarea compleja técnicamente y nada barata en tiempo y economía. Parece que lo prudente sería encontrar un punto intermedio de equilibrio entre la necesidad innegable
de que las personas evaluadas se familiaricen con
las pruebas, lo cual se puede hacer de muchas formas, y el derecho de autores y editores a elaborar
sus pruebas en un clima de confianza, de acuerdo
con las exigencias deontológicas de la profesión.
La International Test Commission (ITC) ha publicado tres directrices de gran interés que regulan
todo lo relativo a la seguridad, control de calidad y
uso de los test en investigación (Muñiz, Hernández y
Ponsoda, 2015). Su traducción al español de libre acceso puede verse en la página web de la Comisión de
Test del Colegio Oficial de Psicólogos: www.cop.es.
6. MODELO DE EVALUACIÓN
DE LA CALIDAD DE LOS TEST
Como se ha señalado más arriba, las acciones
llevadas a cabo para mejorar el uso de los test pue© Ediciones Pirámide
Utilización de los test
den englobarse en dos grandes estrategias: restrictiva e informativa. Dentro de la estrategia informativa, una de las acciones más importante es evaluar
la calidad de los test y poner estas evaluaciones a
disposición de los usuarios. Con el fin de evaluar de
forma rigurosa y sistemática la calidad de los test y
no dejarla al criterio subjetivo de los evaluadores,
la Comisión Europea de Test establecida por la
EFPA ha desarrollado un modelo sistemático y estructurado de evaluación, cuya versión española se
presenta más adelante. Para una descripción y análisis detallado del modelo, véase el trabajo de Hernández, Ponsoda, Muñiz, Prieto y Elosua (2016).
En España el modelo se conoce por las siglas CETR, provenientes de Cuestionario de Evaluación de
Test-Revisado, puesto que existía un modelo previo
desarrollado por Prieto y Muñiz (2000), que se revisó teniendo en cuenta el modelo europeo.
El objetivo del modelo no es otro que llevar a
cabo una evaluación exhaustiva de la calidad de los
test. Consta de tres grandes apartados. En el primero se realiza una descripción general del test en el
segundo se valoran las características del test (la calidad de sus materiales, instrucciones, adaptación,
desarrollo, sus ítems, etc.) y sus propiedades psicométricas (análisis de ítems, validez, fiabilidad e interpretación de las puntuaciones), y en el tercero se lleva a cabo una valoración global del test.
Una vez que se dispone de un modelo para evaluar la calidad de los test, la pregunta que surge es:
¿quién puede utilizarlo? Por supuesto, la respuesta
es quien lo desee; de hecho el modelo es de libre
acceso en la página web del COP. Ahora bien, en
España, como ocurre en otros países, el COP ha
establecido una Comisión Nacional de Test que lleva a cabo evaluaciones anuales de test y publica los
resultados en su página web para que puedan consultarlas todas las personas interesadas. Para proceder a esta evaluación la Comisión de Test actúa de
la siguiente manera. En primer lugar, se decide qué
test se van a evaluar ese año, normalmente entre
diez y doce, y luego se elige a la persona que va a
coordinar la evaluación. El coordinador será el responsable de todo el proceso evaluativo, siendo su
labor independiente de la Comisión de Test y de los
autores y editores de estos. Este coordinador elige
dos expertos que van a evaluar cada test utilizando
el modelo CET-R. Si fuese necesario, puede elegir
un tercer revisor. Una vez que recibe los informes
© Ediciones Pirámide
/ 289
de los expertos, los funde en uno solo y genera un
primer informe sobre la prueba. Este informe del
coordinador se envía a los editores de la prueba
evaluada por si desean hacer algún comentario al
respecto. Recibidos los comentarios de los editores,
el coordinador tiene en cuenta lo que considere
oportuno según su criterio y genera el informe definitivo, que será publicado en la página web del
COP. Como se puede observar, se trata de una evaluación por pares, similar a la que se lleva a cabo
para evaluar otro tipo de documentos, tales como
artículos científicos, proyectos o becas. No es perfecto, nada humano lo es, pero no es el fácil encontrar otro mejor. Por ese sistema desde 2010 ya se
han llevado a cabo en España cinco evaluaciones
cuyos resultados pueden verse en la página web del
COP y en los artículos publicados por los coordinadores de las evaluaciones (Elosua y Geisinger,
2016; Fonseca y Muñiz, 2017; Hernández, Tomás,
Ferreres y Lloret, 2015; Muñiz et al., 2011; Ponsoda
y Hontangas, 2013). La idea es ir avanzando hasta
que se hayan evaluado la mayor parte de los test
editados en España; lo ideal sería que todos los test
estuviesen evaluados, como ocurre, por ejemplo, en
Holanda.
La utilización de este modelo de evaluación tiene dos grandes ventajas; por un lado, ofrece información detallada de los test evaluados por expertos,
lo cual es de gran ayuda para los usuarios, que disponen así de información exhaustiva de calidad sobre los test. Por otro, no menos importante, el modelo constituye una guía para editores y autores de
test de cuáles son los estándares que se espera tengan sus test, contribuyendo así a la mejora de los
nuevos test que se construyan o a las nuevas validaciones de los test ya existentes.
A continuación se presenta el modelo CET-R;
primero se incluyen unos comentarios que se facilitan a los evaluadores antes de que apliquen el modelo y luego se presenta el modelo. Como se puede
observar, el modelo es de carácter cuantitativo, pues
cada característica se puntúa en una escala de 1 a
5, y también cualitativo, dado que el evaluador tiene que llevar a cabo una valoración de carácter narrativo. Esto contrasta con el modelo de evaluación
americano utilizado por el instituto BUROS (Buckendahl y Plake, 2006), cuya valoración no es cuantitativa. Para un análisis de ambos modelos véase
Elosua y Geisinger (2016).
290 /
Introducción a la Psicometría
Observaciones a tener en cuenta
por los expertos al responder al CTR-R
1.El CET-R es un cuestionario y, como tal,
sus preguntas y opciones no deben modificarse. En algunas ocasiones, al utilizar el
CET original en los procesos de revisión, el
revisor, al no encontrar la opción de respuesta que estaba buscando, ha modificado
alguna de las opciones existentes. Esto debe
evitarse. Debe, por tanto, responder valiéndose de las opciones que el CET-R ofrece.
Si en alguna ocasión no encuentra la opción
que está buscando, debe elegir la más similar. En las secciones para comentarios abiertos podrá hacer las aclaraciones que estime
pertinentes.
2.Número de CET-R a rellenar. Si se ha de
revisar una batería o más de un test (por
ejemplo, el test normal y su versión abreviada), se pueden seguir dos estrategias. La
que indica el CET-R es rellenar tantos CET
como test haya que revisar. La que resulta
menos costosa y también posible, si tiene
sentido, sería utilizar solo un CET-R, dejando constancia donde corresponda de los
diferentes resultados obtenidos por las distintas versiones del test.
3.Se debe revisar solo la documentación entregada. En los test comercializados se espera que el revisor realice su revisión a partir de la documentación que se le entrega.
Ha ocurrido en el pasado alguna vez que el
manual omite alguna información que el revisor puede considerar relevante para evaluar la calidad de la prueba. En ese caso, lo
apropiado es que el revisor pida dicha información al coordinador, quien, a su vez,
pedirá a la editorial la información requerida y verá si es posible obtenerla y en qué
condiciones, para después distribuirla a los
revisores.
4.Revisión detallada de todas las secciones
del manual. Cabe señalar que, en ocasiones,
a pesar de que ciertos análisis no aparecen
en un apartado diferenciado (por ejemplo
no figura un apartado explícito de «análisis
de ítems»), los análisis sí están incluidos en
el manual, aunque pasan desapercibidos
para algunos revisores. Por ello, es importante que se revise con detalle toda la información del manual para que los revisores
no marquen la opción «no se aporta información en la documentación» cuando aparezca en otras secciones.
5.Se espera que todas las calificaciones queden argumentadas en las preguntas abiertas
que resumen cada apartado. El CET-R pide
justificaciones solo de algunas respuestas a
preguntas concretas, pero no de la mayoría.
De todos modos, esta justificación es muy
importante y debe quedar reflejada de alguna forma en los comentarios generales.
Cuando se pide, por ejemplo, «comentarios
sobre la validez en general», se espera encontrar información que justifique las puntuaciones dadas a todas las preguntas sobre
validez.
6.Deben responderse todas las preguntas. No
debería dejarse ninguna pregunta sin contestar, a no ser que en la pregunta explícitamente se indique que solo se debe contestar
si se ha realizado cierto tipo de análisis. Si,
para algún tipo especial de test, alguna pregunta del CET-R no resulta del todo apropiada y no se responde, la razón por la que
dicha pregunta se ha dejado en blanco debería quedar justificada en el resumen de la
sección correspondiente, donde se pueden
introducir comentarios abiertos.
7.En test adaptados, los estudios de la versión
original y la adaptada no tienen la misma
relevancia. En los test adaptados de otros
idiomas y/o culturas, un asunto relevante es
qué peso dar a los estudios realizados con
el test original y a los estudios realizados
en/tras el proceso de adaptación. Nuestra
posición en este asunto es que deben tenerse en cuenta todos los estudios aportados,
si bien se debe dar más relevancia y peso en
la evaluación a los que se aporten en el proceso de adaptación utilizando las poblaciones objetivo.
8.Términos psicométricos. En las revisiones
anteriores, realizadas con el CET, hemos
advertido que no todos los revisores asignan el mismo significado a los términos psicométricos empleados. Algunos términos
© Ediciones Pirámide
Utilización de los test
que inducen a error se comentan a continuación:
a)Cuando se pregunta en el apartado de
«análisis de ítems» por su calidad, se
pide una valoración de la información
psicométrica que el manual ofrece de
los ítems y no si, tras su lectura, nos
parece que están bien o mal redactados.
b)Algo similar ocurre cuando se pregunta por validez de contenido. En realidad se quiere saber qué comprobaciones se aportan sobre si el test evalúa las
partes relevantes del constructo de interés.
© Ediciones Pirámide
/ 291
c)Por lo que se refiere a los análisis de
sensibilidad y especificidad que permiten evaluar la capacidad diagnóstica del
test, en ocasiones los resultados son
presentados como diferencias entre grupos, y otras, como evidencias de la capacidad del test para predecir la pertenencia a un cierto grupo diagnóstico.
Esta información, referida a capacidad
diagnóstica, debe incluirse en evidencias
de validez para predecir un criterio.
En la dirección http://glosarios.servidoralicante.com/psicometria pueden encontrar
un breve glosario de términos psicométricos
que puede resultar útil.
292 /
Introducción a la Psicometría
CUESTIONARIO CET-R
1. Descripción general del test
(Si el test está compuesto de subtest heterogéneos en su formato y características, rellene un cuestionario para cada subtest. Cuando tenga sentido y sea factible, se podrá utilizar un solo CET-R, dejando
constancia donde corresponda de los diferentes resultados obtenidos por los distintos subtest.)
1.1. Nombre del test.
1.2. Nombre del test en su versión original (si la versión española es una adaptación).
1.3. Autor/es del test original.
1.4. Autor/es de la adaptación española.
1.5. Editor del test en su versión original.
1.6. Editor de la adaptación española.
1.7. Fecha de publicación del test original.
1.8. Fecha de publicación del test en su adaptación española.
1.9. Fecha de la última revisión del test (si el test original es español) o de su adaptación española (si se trata de un test adaptado).
1.10. Clasifique el área general de la o las variables que pretende medir el test (es posible marcar
más de una opción).
(Identifique el área de contenido definido en la publicación. Si no hay una definición clara, debe
señalarlo en el apartado «Otros», e indicar cuál es el área de contenido más adecuada según la información proporcionada en el manual.)
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
Inteligencia
Aptitudes
Habilidades
Psicomotricidad
Neuropsicología
Personalidad
Motivación
Actitudes
Intereses
Escalas de desarrollo
Rendimiento académico/competencia curricular
Escalas clínicas
Potencial de aprendizaje
Calidad de vida/bienestar
Estrés/burnout
Estilos cognitivos
Otros (indique cuál: ............................................)
© Ediciones Pirámide
Utilización de los test
/ 293
1.11. Breve descripción de la variable o variables que pretende medir el test.
(Se trata de hacer una descripción no evaluativa del test, con 200-600 palabras. La descripción debe
proporcionar al lector una idea clara del test, lo que pretende medir y las escalas que lo conforman.)
1.12. Área de aplicación (es posible marcar más de una opción).
(Identifique el área o áreas de aplicación definidas en la publicación. Si no hay una definición clara,
debe señalarlo en el apartado «Otros» e indicar cuál es el área de aplicación más adecuada según la
información proporcionada en el manual.)
(
(
(
(
(
(
(
(
(
(
)
)
)
)
)
)
)
)
)
)
Psicología clínica
Psicología educativa
Neuropsicología
Psicología forense
Psicología del trabajo y las organizaciones
Psicología del deporte
Servicios sociales
Salud general y bienestar
Psicología del tráfico
Otros (indique cuál: ............................................)
1.13. Formato de los ítems (es posible marcar más de una opción).
(
(
(
(
(
(
)
)
)
)
)
)
Respuesta construida
Respuesta dicotómica (sí/no, verdadero/falso, etc.)
Elección múltiple
Respuesta graduada/tipo Likert
Adjetivos bipolares
Otro (indique cuál: ............................................)
1.14. Número de ítems.
(Si el test tiene varias escalas, indique el número de ítems de cada una.)
1.15. Soporte (es posible marcar más de una opción).
(
(
(
(
(
)
)
)
)
)
Administración oral
Papel y lápiz
Manipulativo
Informatizado
Otro (indique cuál: ............................................)
1.16. Cualificación requerida para el uso del test de acuerdo con la documentación aportada.
(Algunos países han adoptado sistemas para la clasificación de los test en distintas categorías en
función de la cualificación requerida por los usuarios. Un sistema muy utilizado es el que divide los test
en tres categorías: nivel A [test de rendimiento y conocimientos], nivel B [test colectivos de aptitudes e
inteligencia] y nivel C [test de aplicación individual de inteligencia, personalidad y otros instrumentos
complejos].)
© Ediciones Pirámide
294 /
(
(
(
(
(
(
Introducción a la Psicometría
) Ninguna
) Entrenamiento y acreditación especifica*
) Nivel A
) Nivel B
) Nivel C
)Otra (indique cuál: ............................................)
* Indique el nombre de la institución que lleva a cabo la acreditación:
1.17. Descripción de las poblaciones a las que el test es aplicable.
(Especifique el rango de edad, nivel educativo, etc., y si el test es aplicable en ciertas poblaciones
específicas: minorías étnicas, personas discapacitadas, grupos clínicos, etc.)
1.18. Indique si existen diferentes formas del test y sus características (formas paralelas, versiones
abreviadas, versiones informatizadas o impresas, versiones para diferentes poblaciones —infantil versus
adultos—, etc.). En el caso de que existan versiones informatizadas, describa los requisitos inusuales
del hardware y software, si los hubiere, que fueran necesarios para administrar correctamente el test
(grabación de sonido, pantallas de resolución inusual, etc.).
1.19. Procedimiento de corrección (es posible marcar más de una opción).
(
(
(
(
)Manual
)Hoja autocorregible
)Lectura óptica de la hoja de respuestas
)Automatizada por ordenador (existe software de corrección, o plataformas de corrección online)
( )Efectuada por la empresa suministradora (las hojas de respuesta se envían a la empresa
para que esta se ocupe de la corrección)
( )Mediante expertos
( )Otro (indique cuál: ............................................)
1.20. Puntuaciones.
(Describa el procedimiento para obtener las puntuaciones directas, totales o parciales, corrección de
la probabilidad de responder correctamente por azar, inversión de ítems, etc.)
1.21. Escalas utilizadas (es posible marcar más de una opción).
(
)Puntuaciones basadas en percentiles
(
(
(
) Centiles
) Quintiles
) Deciles
© Ediciones Pirámide
Utilización de los test
(
/ 295
)Puntuaciones estandarizadas
(
(
(
(
(
(
)Puntuaciones típicas
)Eneatipos
)Decatipos
)T (media 50 y desviación típica 10)
)D (media 50 y desviación típica 20)
)CI de desviación [media 100 y desviación típica 15 (Wechsler) o 16 (Stanford-Binet)]
(
)Puntuaciones estandarizadas normalizadas (puntuaciones estandarizadas obtenidas bajo el
supuesto de que su distribución es normal)
( )Puntuaciones directas solamente
( )Otras (indique cuál: ............................................)
1.22. Posibilidad de obtener informes automatizados.
(
(
)No
)Sí*
* En caso afirmativo, haga una breve valoración del informe automatizado en la que consten las
características fundamentales, tales como tipo de informe y estructura, claridad, estilo, así como
su calidad.
1.23. Tiempo estimado para la aplicación del test (instrucciones, ejemplos y respuestas a los ítems).
En aplicación individual: ...........................
En aplicación colectiva: ............................
1.24. Documentación aportada por el editor (es posible marcar más de una opción).
(
(
(
(
(
)Manual
)Libros o artículos complementarios
)Discos u otros dispositivos magnéticos
)Información técnica complementaria y actualizaciones
)Otra (indique cuál: ............................................)
1.25. Precio de un juego completo de la prueba (documentación, test, plantillas de corrección; en el
caso de test informatizados, no se incluye el coste del hardware). Indique la fecha de consulta de precios.
1.26. Precio y número de ejemplares del paquete de cuadernillos (test de papel y lápiz). Indique la
fecha de consulta de precios.
© Ediciones Pirámide
296 /
Introducción a la Psicometría
1.27. Precio y número de ejemplares del paquete de hojas de respuesta (test de papel y lápiz). Indique la fecha de consulta de precios.
1.28. Precio de la administración, y/o corrección y/o elaboración de informes por parte del editor.
Indique la fecha de consulta de precios.
2. Valoración de las características del test
2.1. Calidad de los materiales del test (objetos, material impreso o software).
*
**
***
****
*****
(
(
(
(
(
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (impresión y presentación de calidad, objetos bien diseñados, software
atractivo y eficiente, etc.)
2.2. Calidad de la documentación aportada.
*
**
***
****
*****
(
(
(
(
(
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (descripción muy clara y completa de las características técnicas, fundamentada en abundantes datos y referencias)
2.3. Fundamentación teórica.
( ) No se aporta información en la documentación
* ( ) Inadecuada
** ( ) Adecuada pero con algunas carencias
*** ( ) Adecuada
**** ( ) Buena
***** ( )Excelente (descripción muy clara y documentada del constructo que se pretende
medir y del procedimiento seguido para medir dicho constructo)
2.4. Adaptación del test (si el test ha sido traducido y adaptado para su aplicación en España).
*
**
***
****
(
(
(
(
(
(
)
)
)
)
)
)
Característica no aplicable para este instrumento
No se aporta información en la documentación
Inadecuada
Adecuada pero con algunas carencias
Adecuada
Buena
© Ediciones Pirámide
Utilización de los test
*****
(
/ 297
)Excelente [se describe con detalle el procedimiento de traducción/adaptación de los
ítems a la cultura española, se estudia la equivalencia del constructo entre la versión
original y adaptada, etc., es decir, se siguen las recomendaciones internacionales de
traducción/adaptación de test (directrices de la ITC; véase Muñiz, Elosua y Hambleton, 2013)]
2.5. Desarrollo de los ítems del test.
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente [descripción detallada del proceso de generación de ítems, calidad de la
redacción y adecuación de su formato según las directrices aceptadas (Haladyna,
Downing y Rodríguez, 2002; Moreno, Martínez y Muñiz, 2006, 2015); aplicación piloto con análisis de ítems y descripción de los cambios realizados durante el proceso]
2.6. Calidad de las instrucciones para que quienes han de responder al test comprendan con
facilidad la tarea.
*
**
***
****
*****
(
(
(
(
(
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (claras y precisas, muy adecuadas para las poblaciones a las que va dirigido el test, incluyendo posibles acomodaciones a poblaciones especiales cuando el
test también pueda aplicarse en este tipo de poblaciones)
2.7. Calidad de las instrucciones para la administración, puntuación e interpretación del test.
*
**
***
****
*****
(
(
(
(
(
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (claras y precisas, tanto para la administración del test como para su puntuación e interpretación)
2.8. Facilidad para registrar las respuestas.
*
**
***
****
*****
(
(
(
(
(
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (el procedimiento para emitir o registrar las respuestas es muy simple, por
lo que se evitan los errores en la anotación)
© Ediciones Pirámide
298 /
Introducción a la Psicometría
2.9. Bibliografía del manual.
(Valore si en la elaboración del test se han tenido en cuenta las teorías más aceptadas sobre el constructo y el grado en que las referencias metodológicas aportadas son adecuadas)
*
**
***
****
*****
( ) Inadecuada
( ) Adecuada pero con algunas carencias
( ) Adecuada
( ) Buena
( )Excelente (reflejan una revisión adecuada y actualizada sobre el constructo y las referencias metodológicas que aporta son adecuadas)
2.10. Análisis de los ítems.
2.10.1. Datos sobre el análisis de los ítems.
*
**
***
****
*****
(
(
(
(
(
(
(
) Característica no aplicable para este instrumento
) No se aporta información en la documentación
) Inadecuados
) Adecuados pero con algunas carencias
) Adecuados
) Buenos
)Excelentes (información detallada sobre diversos estudios acerca de las características psicométricas de los ítems: dificultad o media, variabilidad, discriminación, validez, distractores, etc.)
2.11. Validez.
[Los estándares de la AERA, NCME y APA de 1999 y los últimos de 2014 (AERA, NCME, APA,
1999, 2014) han producido un cambio importante en el concepto de validez: no se valida el test, sino
interpretaciones o usos concretos de sus puntuaciones. No hay distintos tipos de validez (de contenido,
de constructo, referida al criterio, etc.), sino un tipo único. Se aceptan, eso sí, distintas fuentes de evidencias de validez. La importancia de recoger una u otra evidencia dependerá principalmente del uso que se
vaya a hacer del test. De las distintas evidencias, las tres más relevantes son las basadas: a) en el contenido; b) en las relaciones con otras variables (con un criterio que se pretende predecir, con otro test que
mida el mismo o un constructo relacionado, etc.), y c) en la estructura interna (como, por ejemplo, evaluando la estructura factorial). Los ítems que aparecen a continuación evalúan el grado en que las evidencias aportadas en cada caso son más o menos adecuadas. Si el manual del test usara la diferenciación
clásica de distintos tipos de validez (por ejemplo, validez de constructo o validez referida a un criterio),
se deberá incorporar la información al apartado correspondiente en función del tipo de análisis realizado.]
2.11.1. Evidencia basada en el contenido.
(Este aspecto es especialmente esencial en los test referidos al criterio y particularmente en los test
de rendimiento académico. Emita su juicio sobre la calidad de la representación del contenido o dominio. Si en la documentación aportada aparecen las evaluaciones de los expertos, tómelas en consideración.)
2.11.1.1. Calidad de la representación del contenido o dominio:
( ) No se aporta información en la documentación
* ( ) Inadecuada
© Ediciones Pirámide
Utilización de los test
**
***
****
*****
/ 299
( ) Adecuada pero con algunas carencias
( ) Adecuada
( ) Buena
( )Excelente (en la documentación se presenta una precisa definición del dominio. Los
ítems muestrean adecuadamente todas las facetas del dominio. Se aporta evidencia
de la validez de contenido del test definitivo)
2.11.1.2. Consultas a expertos.
(Las cifras acerca del tamaño de las muestras empleadas y de los estadísticos que aparecerán más
adelante tienen un carácter orientativo.)
*
**
***
****
*****
( ) No se aporta información en la documentación
( ) No se ha consultado a expertos sobre la representación del contenido
( ) Se ha consultado de manera informal a un pequeño número de expertos
( )Se ha consultado a un pequeño número de expertos mediante un procedimiento sistematizado (N < 10)
( )Se ha consultado a un número moderado de expertos mediante un procedimiento
sistematizado (10 ≤ N ≤ 30)
( )Se ha consultado a un amplio número de expertos mediante un procedimiento sistematizado (N > 30)
2.11.2. Evidencias basadas en la relación entre las puntuaciones del test y otras variables.
2.11.2.1. Relaciones con otras variables.
2.11.2.1.1. Diseños y/o técnicas empleados (es posible marcar más de una opción).
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Correlaciones con otros test
Diferencias entre grupos
Matriz multirrasgo-multimétodo
Diseños experimentales o cuasiexperimentales
Otros (indique cuál: ............................................)
2.11.2.1.2. Tamaño de las muestras.
[En caso de que una muestra tuviera alguna característica (por ejemplo, su carácter clínico) que
pudiera justificar su tamaño reducido, indíquela.]
(
* (
** (
***
****
(
(
*****
(
) No se aporta información en la documentación
) Un estudio con una muestra pequeña (N < 200)
)Un estudio con una muestra moderada (200 ≤ N ≤ 500) o varios estudios con muestras pequeñas (N < 200)
) Un estudio con una muestra grande (N > 500)
)Varios estudios con muestras de tamaño moderado o con alguna muestra grande y
otras pequeñas
) Varios estudios con muestras grandes
© Ediciones Pirámide
300 /
Introducción a la Psicometría
2.11.2.1.3. Procedimiento de selección de las muestras*.
(
(
(
(
)
)
)
)
No se aporta información en la documentación
Incidental
Aleatorio, aunque las muestras no son representativas de la población objetivo
Aleatorio, con muestras representativas de la población objetivo
* Describa brevemente el procedimiento de selección:
2.11.2.1.4. Calidad de los test marcadores empleados para evaluar las relaciones.
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (se justifica adecuadamente la selección de los test marcadores y sus propiedades psicométricas son satisfactorias)
2.11.2.1.5. Promedio de las correlaciones del test con otros test que midan el mismo constructo o
constructos con los que se esperen relaciones altas.
(Se ofrecen puntos de corte para la evaluación de los coeficientes de correlación cuando se trata del
mismo constructo. Dado que se esperan correlaciones de menor tamaño cuando se correlaciona el test
con un constructo diferente, reduzca en 0,15 puntos los topes anteriores cuando haya de aplicarlos en
esta situación.)
*
**
***
****
*****
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Inadecuada (r < 0,35)
Adecuada pero con algunas carencias (0,35 ≤ r < 0,50)
Adecuada (0,50 ≤ r < 0,60)
Buena (0,60 ≤ r < 0,70)
Excelente (r ≥ 0,70)
2.11.2.1.6. Promedio de las correlaciones del test con otros test que midan constructos con los
que el test no debería estar relacionado.
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (las correlaciones estimadas con muestras de tamaño adecuado son próximas a 0, no estadísticamente significativas, o, siendo significativas, los tamaños del
efecto son bajos)
© Ediciones Pirámide
Utilización de los test
/ 301
2.11.2.1.7. Resultados del análisis de la matriz multirrasgo-multimétodo.
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (los resultados apoyan tanto la validez convergente como discriminante)
2.11.2.1.8. Resultados de las diferencias entre grupos (pueden ser grupos naturales —por ejemplo,
grupos demográficos— o experimentales).
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (se establecen hipótesis de validación claras y adecuadas, se observan
diferencias significativas en el sentido esperado y se presta atención al tamaño del
efecto)
2.11.2.2. Evidencias basadas en las relaciones entre las puntuaciones del test y un criterio.
2.11.2.2.1. Describa los criterios empleados y las características de las poblaciones.
2.11.2.2.2. Calidad de los criterios empleados.
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuada
) Adecuada pero con algunas carencias
) Adecuada
) Buena
)Excelente (se justifica adecuadamente la selección del criterio y, cuando se mida
mediante un test, sus propiedades psicométricas son satisfactorias)
2.11.2.2.3. Atendiendo a la relación temporal entre la aplicación del test y la medida del criterio,
indique el tipo de diseño (es posible marcar más de una opción).
(
(
(
) Retrospectivo
) Concurrente
) Predictivo
2.11.2.2.4. Tamaño de las muestras en las evidencias basadas en las relaciones con un criterio*.
( ) No se aporta información en la documentación
* ( ) Un estudio con una muestra pequeña (N < 100)
** ( )Un estudio con una muestra moderada (100 ≤ N < 200) o varios estudios con muestras pequeñas (N < 100)
© Ediciones Pirámide
302 /
Introducción a la Psicometría
***
****
( ) Un estudio con una muestra grande (N ≥ 200)
( )Varios estudios con muestras de tamaño moderado o con alguna muestra grande y
otras pequeñas
( ) Varios estudios con muestras grandes o estudios metaanalíticos apropiados
*****
* Indique si alguna característica de las muestras (por ejemplo, su carácter clínico) pudiera justificar el tamaño reducido de la o las muestras:
2.11.2.2.5. Procedimiento de selección de las muestras*.
(
(
(
(
)
)
)
)
No se aporta información en la documentación
Incidental
Aleatorio, aunque las muestras no son representativas de la población objetivo
Aleatorio, con muestras representativas de la población objetivo
* Describa brevemente el procedimiento de selección y proporcione información relevante sobre el
grado de representatividad de las muestras.
2.11.2.2.6. Promedio de las correlaciones del test con los criterios.
(Los rangos de valores mostrados abajo se refieren a la correlación entre el test y un criterio, que es
la forma más habitual de obtener evidencias de validez referida a un criterio. Sin embargo, en ciertas
situaciones clínicas, como cuando se usan test de screening en un proceso diagnóstico, puede resultar
más útil proporcionar información sobre la sensibilidad y especificidad del test, por ejemplo mediante
curvas ROC, que correlaciones. En estos casos, el revisor deberá tener en cuenta la sensibilidad y especificidad del test a la hora de evaluar su utilidad para tomar decisiones diagnósticas y así determinar el
nivel de adecuación del test, añadiendo los comentarios pertinentes en la sección 2.11.5.)
*
**
***
****
*****
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Inadecuada (r < 0,20)
Suficiente (0,20 ≤ r < 0,35)
Buena (0,35 ≤ r < 0,45)
Muy buena (0,45 ≤ r < 0,55)
Excelente (r ≥ 0,55)
2.11.3. Evidencias basadas en la estructura interna del test.
2.11.3.1. Resultados del análisis factorial (exploratorio y/o confirmatorio).
*
**
***
****
(
(
(
(
(
)
)
)
)
)
No se aporta información en la documentación
Inadecuada
Adecuada pero con algunas carencias
Adecuada
Buena
© Ediciones Pirámide
Utilización de los test
*****
(
/ 303
)Excelente (los resultados apoyan la estructura del test tanto en lo que se refiere al
número de factores extraídos como a su interpretación. Además, se proporciona información suficiente y adecuada para evaluar la calidad de las decisiones tomadas
al aplicar la técnica —AFE y/o AFC, método de factorización, rotación, software empleado, etc.— e interpretar los resultados)
2.11.3.2. Datos sobre el funcionamiento diferencial de los ítems.
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuados
) Adecuados pero con algunas carencias
) Adecuados
) Buenos
)Excelentes (información detallada sobre diversos estudios acerca del sesgo de los
ítems relacionado con el sexo, la lengua materna, etc. Empleo de la metodología
apropiada)
2.11.4. Indique si el manual del test informa de las acomodaciones a introducir en la administración
del test, para la correcta evaluación de personas con limitaciones o diversidad funcional.
(
(
) No
) Sí*
* En caso afirmativo, indique cuáles y si se han justificado adecuadamente en el manual.
2.11.5. Comentarios sobre la validez en general.
(Resuma, por favor, las principales evidencias de validez que la documentación examinada aporta,
estime su calidad y justifique las puntuaciones otorgadas en las preguntas previas. En caso de que haya
revisado información sobre la sensibilidad y especificidad del test, por ejemplo mediante curvas ROC,
los resultados a la hora de determinar la utilidad diagnóstica del test serán comentados en este punto.
También se comentará cualquier otro tipo de evidencia diferente de las consideradas en el modelo, por
ejemplo basadas en el proceso de respuesta, si las hubiere.)
2.12. Fiabilidad
2.12.1. Datos aportados sobre la fiabilidad (es posible marcar más de una opción).
(
(
(
(
(
)
)
)
)
)
Un único coeficiente de fiabilidad (para cada escala o subescala)
Varios coeficientes de fiabilidad (para cada escala o subescala)
Un único error típico de medida (para cada escala o subescala)
Coeficientes de fiabilidad para diferentes grupos de personas
Error típico de medida para diferentes grupos de personas
© Ediciones Pirámide
304 /
(
(
Introducción a la Psicometría
) Cuantificación del error mediante TRI (función de información u otros)
) Otros indicadores de fiabilidad (indique cuáles: ............................................)
2.12.2. Equivalencia (formas paralelas).
(Rellenar solo si es aplicable al instrumento.)
2.12.2.1. Tamaño de las muestras en los estudios de equivalencia.
(
* (
** (
***
****
(
(
*****
(
) No se aporta información en la documentación
) Un estudio con una muestra pequeña (N < 200)
)Un estudio con una muestra moderada (200 ≤ N < 500) o varios estudios con muestras pequeñas (N < 200)
) Un estudio con una muestra grande (N > 500)
)Varios estudios con muestras de tamaño moderado o con alguna muestra grande y
otras pequeñas
) Varios estudios con muestras grandes
2.12.2.2. Resultados de la puesta a prueba de los supuestos de paralelismo.
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuados
) Adecuados pero con algunas carencias
) Adecuados
) Buenos
)Excelentes (se realizan pruebas de significación para poner a prueba la igualdad de
las medias y de las varianzas de las formas, así como la igualdad de las correlaciones con otros test)
2.12.2.3. Promedio de los coeficientes de equivalencia.
*
**
***
****
*****
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Inadecuada (r < 0,50)
Adecuada pero con algunas carencias (0,50 ≤ r < 0,60)
Adecuada (0,60 ≤ r < 0,70)
Buena (0,70 ≤ r < 0,80)
Excelente (r ≥ 0,80)
2.12.3. Consistencia interna.
(Rellenar solo si es aplicable al instrumento.)
2.12.3.1. Tamaño de las muestras en los estudios de consistencia.
(
* (
** (
***
****
(
(
*****
(
) No se aporta información en la documentación
) Un estudio con una muestra pequeña (N < 200)
)Un estudio con una muestra moderada (200 ≤ N < 500) o varios estudios con muestras pequeñas (N < 200)
) Un estudio con una muestra grande (N ≥ 500)
)Varios estudios con muestras de tamaño moderado o con alguna muestra grande y
otras pequeñas
) Varios estudios con muestras grandes
© Ediciones Pirámide
Utilización de los test
/ 305
2.12.3.2. Coeficientes de consistencia interna presentados.
(
(
(
(
(
)
)
)
)
)
No se aporta información
Coeficiente alfa o KR-20
Alfa ordinal
Lambda-2
Otro (indique cuál: ............................................)
2.12.3.3. Promedio de los coeficientes de consistencia.
*
**
***
****
*****
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Inadecuada (r < 0,60)
Adecuada pero con algunas carencias (0,60 ≤ r < 0,70)
Adecuada (0,70 ≤ r < 0,80)
Buena (0,80 ≤ r < 0,85)
Excelente (r ≥ 0,85)
2.12.4. Estabilidad (test-retest).
(Rellenar solo si es aplicable al instrumento.)
2.12.4.1. Tamaño de las muestras en los estudios de estabilidad:
( ) No se aporta información en la documentación
* ( ) Un estudio con una muestra pequeña (N < 100)
** ( )Un estudio con una muestra moderada (100 ≤ N < 200) o varios estudios con muestras pequeñas (N < 100)
*** ( ) Un estudio con una muestra grande (N ≥ 200)
**** ( )Varios estudios con muestras de tamaño moderado o con alguna muestra grande y
otras pequeñas
***** ( ) Varios estudios con muestras grandes
2.12.4.2. Promedio de los coeficientes de estabilidad.
*
**
***
****
*****
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Inadecuada (r < 0,55)
Adecuada pero con algunas carencias (0,55 ≤ r < 0,65)
Adecuada (0,65 ≤ r < 0,75)
Buena (0,75 ≤ r < 0,80)
Excelente (r ≥ 0,80)
2.12.5. Cuantificación de la precisión mediante TRI.
(Rellenar solo si se ha empleado TRI.)
2.12.5.1. Tamaño de las muestras en los estudios de TRI.
[Depende del formato de los ítems y del modelo empleado. Como referencia, en el caso de los modelos para datos dicotómicos, unas recomendaciones generales sobre el tamaño adecuado son 200 casos
para el modelo de un parámetro, 400 para el modelo de dos parámetros y 700 para el de tres (Parshall,
Spray, Kalohn y Davey, 2002).]
© Ediciones Pirámide
306 /
Introducción a la Psicometría
*
**
***
****
(
(
(
(
(
*****
(
) No se aporta información en la documentación
) Un estudio con una muestra pequeña
) Un estudio con una muestra adecuada
) Un estudio con una muestra grande
)Varios estudios con muestras de tamaño moderado o con alguna muestra grande y
otras pequeñas
) Varios estudios con muestras grandes
2.12.5.2. Coeficientes proporcionados.
(
(
(
(
)
)
)
)
No se aporta información
Fiabilidad de las puntuaciones en el rasgo latente
Función de Información
Otro (indique cuál: ............................................)
2.12.5.3. Tamaño de los coeficientes.
[Debe tenerse en cuenta que el valor de los coeficientes depende del valor del rasgo latente, existiendo típicamente un rango de puntuaciones latentes para el que el test es óptimo en términos de precisión.
Para la valoración del tamaño de los coeficientes, más que ese rango óptimo se debe tener en cuenta el
rango de puntuaciones para el que los resultados del test pueden tener importancia. Si no existe tal
rango a priori, la evaluación debe basarse en la información promedio proporcionada (Reise y Haviland,
2005). A continuación se proporcionan valores orientativos para la información promedio del test, si
bien estos valores deben usarse con cautela por la poca experiencia existente en la aplicación de estos
puntos de corte, y porque dependen del número de ítems del test.]
*
**
***
****
*****
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Inadecuada (información < 2)
Adecuada pero con algunas carencias (2 ≤ información < 3,33)
Adecuada (3,33 ≤ información < 5)
Buena (5 ≤ información < 10)
Excelente (información ≥ 10)
2.12.6. Fiabilidad interjueces.
(Rellenar solo si es aplicable al instrumento.)
2.12.6.1. Coeficientes de fiabilidad inter-jueces (es posible marcar más de una opción).
(
(
(
(
(
)
)
)
)
)
Porcentaje de acuerdo
Coeficiente kappa
Coeficiente de correlación intraclase (ICC)
Coeficiente basado en la teoría de la generalizabilidad
Otro (indique cuál: ............................................)
2.12.6.2. Valor promedio de los coeficientes de fiabilidad interjueces.
(Se ofrecen a continuación unos puntos de corte orientativos.)
(
* (
** (
) No se aporta información en la documentación
) Inadecuado (r < 0,50)
) Adecuado pero con algunas carencias (0,50 < r ≤ 0,60)
© Ediciones Pirámide
Utilización de los test
***
****
*****
/ 307
( ) Adecuado (0,60 < r ≤ 0,70)
( ) Bueno (0,70 < r ≤ 0,80)
( ) Excelente (r > 0,80)
2.12.7. Comentarios sobre la fiabilidad en general.
[Resuma los resultados que ha extraído de la documentación sobre la fiabilidad de las puntuaciones.
Comente los distintos tipos de indicadores obtenidos, el rango de los coeficientes, si los resultados están
basados en muestras adecuadas, para qué poblaciones (en función de los resultados de TRI) resulta el
test más preciso, etc. Justifique las valoraciones otorgadas a las preguntas precedentes.]
2.13. Baremos e interpretación de puntuaciones.
[A la hora de interpretar las puntuaciones, se puede diferenciar entre una interpretación normativa
o una referida a un criterio. La interpretación normativa se deriva de comparar la puntuación del evaluado con la distribución de las puntuaciones observadas en un grupo de referencia. La interpretación
referida a un criterio o dominio requiere el establecimiento de puntos de corte que reflejen el dominio,
o no, de una serie de competencias o aptitudes o si, en escalas clínicas, la persona supera un punto de
corte que refleje la necesidad de una intervención, por ejemplo. A veces los puntos de corte se establecen
a partir del juicio de expertos, y otras a partir de investigaciones empíricas que permiten realizar clasificaciones y asignar a las personas a diferentes programas de intervención. Se debe responder a uno o
a los dos apartados (interpretación normativa y/o interpretación referida a un criterio) en función de la
interpretación de las puntuaciones considerada en el manual.]
2.13.1. Interpretación normativa.
(Responder solo si es aplicable al test.)
2.13.1.1. Calidad de las normas.
[Desde ciertas posiciones teóricas y metodologías, como la tipificación continua (continuous norming),
la generación de un número reducido de baremos no indica necesariamente una baja calidad de la información ofrecida para la interpretación de las puntuaciones. La tipificación continua utiliza la información
disponible de todos los grupos para construir el baremo de cada grupo concreto, lo que resulta en baremos más precisos con grupos más reducidos (Evers, Sijtsma, Lucassen y Meijer, 2010; Zachary y Gorsuch, 1985). Tenga en cuenta esta posibilidad a la hora de emitir su valoración en este ítem.]
(
* (
** (
***
****
*****
(
(
(
) No se aporta información en la documentación
) Un baremo que no es aplicable a la población objetivo
)Un baremo aplicable a la población objetivo con cierta precaución, considerando las
diferencias entre poblaciones
) Un baremo adecuado para la población objetivo
) Varios baremos dirigidos a diversos estratos poblacionales
)Amplio rango de baremos en función de la edad, el sexo, el nivel cultural y otras características relevantes
2.13.1.2. Tamaño de las muestras.
(Si hay varios baremos, clasifique el tamaño promedio.)
( ) No se aporta información en la documentación
© Ediciones Pirámide
308 /
Introducción a la Psicometría
*
**
***
****
*****
(
(
(
(
(
)
)
)
)
)
Pequeño (N < 150)
Suficiente (150 ≤ N < 300)
Moderado (300 ≤ N < 600)
Grande (600 ≤ N < 1.000)
Muy grande (N ≥ 1.000)
2.13.1.3. Indique si se ha aplicado una estrategia de tipificación continua (continuous norming)
usando diferentes grupos de edad, para conseguir baremos de más calidad.
(
(
) Sí
) No
2.13.1.4. Procedimiento de selección de las muestras*.
(
(
(
(
)
)
)
)
No se aporta información en la documentación
Incidental
Aleatorio, aunque las muestras no son representativas de la población objetivo
Aleatorio, con muestras representativas de la población objetivo
* Describa brevemente el procedimiento de selección.
2.13.1.5. Actualización de los baremos.
*
**
***
****
*****
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Inadecuada (más de 25 años)
Adecuada pero con algunas carencias (entre 20 y 24 años)
Adecuada (entre 15 y 19 años)
Buena (entre 10 y 14 años)
Excelente (menos de 10 años)
2.13.2. Interpretación referida a un criterio.
(Responder solo si es aplicable al test.)
2.13.2.1. Adecuación del establecimiento de los puntos de corte establecidos.
*
**
***
****
*****
(
(
(
(
(
(
) No se aporta información en la documentación
) Inadecuado
) Adecuado pero con algunas carencias
) Adecuado
) Bueno
)Excelente (se cuenta con un grupo de un mínimo de tres o cuatro jueces con formación y experiencia en el ámbito de estudio, y/o se proporciona evidencia empírica con
estudios de calidad que relacionan el punto de corte con un criterio externo, para
avalar la adecuación y utilidad de los puntos de corte establecidos)
© Ediciones Pirámide
Utilización de los test
/ 309
2.13.2.2. Si se utiliza el juicio de expertos para establecer los puntos de corte, indique el procedimiento empleado para fijar el estándar.
(
(
(
(
(
)
)
)
)
)
Nedelsky
Angoff
Zieky y Livingston
Hofstee
Otro (indique cuál: ............................................)
2.13.2.3. Si se utiliza el juicio de expertos para establecer los puntos de corte, indique cómo se
ha obtenido el acuerdo interjueces (es posible marcar más de una opción).
(
(
(
(
(
)
)
)
)
)
Coeficiente r0
Coeficiente kappa
Coeficiente Livingston
Coeficiente de correlación intraclase (ICC)
Otro (indique cuál: ............................................)
2.13.2.4. Si se utiliza el juicio de expertos para establecer los puntos de corte, indique el valor del
coeficiente de acuerdo interjueces (por ejemplo, kappa o ICC).
*
**
***
****
*****
(
(
(
(
(
(
)
)
)
)
)
)
No se aporta información en la documentación
Inadecuado (r < 0,50)
Adecuado pero con algunas carencias (0,50 < r ≤ 0,60)
Adecuado (0,60 < r ≤ 0,70)
Bueno (0,70 < r ≤ 0,80)
Excelente (r > 0,80)
2.13.3. Comentarios sobre los baremos y establecimientos de puntos de corte.
(Resuma y evalúe los procedimientos que el test propone para facilitar la interpretación de las puntuaciones y justifique las evaluaciones dadas a las preguntas precedentes.)
3. Valoración global del test
3.1. Con una extensión máxima de 1.000 palabras, exprese su valoración del test, resaltando sus
puntos fuertes y débiles, así como recomendaciones acerca de su uso en diversas áreas profesionales.
Indique asimismo cuáles son las características de la prueba que podrían ser mejoradas, carencias
de información en la documentación, etc.
© Ediciones Pirámide
310 /
Introducción a la Psicometría
A modo de resumen, rellene las tablas 1 y 2.
La tabla 1 incluye algunos datos descriptivos del test.
TABLA 1
Descripción del test
Característica
Apartado
Nombre del test
1.1
Autor
1.3
Autor de la adaptación española
1.4
Fecha de la última revisión
1.9
Constructo evaluado
1.11
Áreas de aplicación
1.12
Soporte
1.15
Descripción
En la tabla 2 se resume la valoración de las características generales del test. Tome en consideración el
promedio de las calificaciones emitidas en los apartados que figuran en la segunda columna de la tabla 2.
El número de asteriscos que acompaña a las opciones de respuesta de los ítems se corresponde con la puntuación correspondiente a cada ítem (de 1. «Inadecuado» a 5. «Excelente»)
TABLA 2
Valoración del test
Característica
Materiales y documentación
Apartados
2.1 y 2.2
Fundamentación teórica
2.3
Adaptación
2.4
Análisis de ítems
2.10
Validez: contenido
2.11.1
Validez: relación con otras variables
2.11.2
Validez: estructura interna
2.11.3
Validez: análisis del DIF
2.11.3.2
Fiabilidad: equivalencia
2.12.2
Fiabilidad: consistencia interna
2.12.3
Fiabilidad: estabilidad
2.12.4
Fiabilidad: TRI
2.12.5
Fiabilidad interjueces
2.12.6
Baremos e interpretación de puntuaciones
Valoración
2.13
© Ediciones Pirámide
Mirando hacia el futuro
Predecir el futuro es tarea imposible, el de la
evaluación psicométrica incluido, pues como bien
nos advirtió Taleb (2008) en su libro El cisne negro,
nadie hasta ahora fue capaz de prever los grandes
acontecimientos que a la postre cambiaron el rumbo de la humanidad. No se trata, por tanto, de predecir aquí el rumbo que tomará la evaluación psicológica del futuro lejano, sino de señalar las vías
que se vislumbran, basándonos en las tendencias
actuales a partir de las cuales se va desarrollando la
disciplina. Nos apoyaremos para ello en trabajos
previos sobre el tema (Muñiz, 2012, 2018; Muñiz
y Fernández-Hermida, 2010; Muñiz, Hernández y
Ponsoda, 2015). Como ya se ha señalado varias veces a lo largo del libro, la gran fuerza que está remodelando la evaluación psicológica en la actualidad son las nuevas tecnologías de la información, y
en especial los avances informáticos, multimedia
e internet. Autores como Bennet (1999, 2006), Breit­
haupt, Mills y Melican (2006), Drasgow (2016),
Drasgow, Luecht y Bennet (2006) o Sireci y Faulkner-Bond (2016), entre otros muchos, consideran
que las nuevas tecnologías están influyendo sobre
todos los aspectos de la evaluación psicológica, tales como el diseño de los test, la construcción y presentación de los ítems, la puntuación de los test y la
evaluación a distancia. Emergen nuevas formas de
evaluación, aunque, no nos engañemos, los test psicométricos seguirán siendo herramientas fundamentales, dada su objetividad y economía de medios y tiempo (Phelps, 2005, 2008). En este contexto
de cambio tecnológico surge la llamada psicología
2.0 (Armayones et al., 2015), que pretende extender
la psicología a través de las facilidades que ofrecen
internet y las redes sociales. La evaluación no puede
© Ediciones Pirámide
10
estar ajena a estas nuevas tendencias, apareciendo
nuevos enfoques psicométricos conectados con el
análisis de las grandes bases de datos (big data) de
las que se dispone actualmente (Markovetz, Blaszkiewicz, Montag, Switala y Schlaepfer, 2014). Por
ejemplo, las ventajas potenciales de usar los teléfonos móviles como terminales para la evaluación
abren nuevas posibilidades para la psicometría del
futuro (Armayones et al., 2015; Chernyshenko y
Stark, 2016; Miller, 2012). Trabajos como el pionero
de Kosinski, Stillwell y Graepel (2013) analizan con
éxito la posibilidad de utilizar los «me gusta» de
Facebook como predictores de distintas características humanas, entre ellas los rasgos de la personalidad, lo que hace preguntarse si nuestros rastros en
las redes sociales sustituirán algún día no muy lejano a los cuestionarios y test tal como los conocemos
ahora. No sabemos nada del futuro, pero se nos representa bello y excitante, una lucha sorda de fondo
entre nuestra inteligencia de carbono y agua y la
artificial del silicio. No sabemos si una de ellas vencerá a la otra, o se producirá la simbiosis, pero lo
que está claro es que el silicio reclama un mayor rol
en nuestras vidas, y la evaluación psicométrica no
es una excepción. Eso sí, la prueba del algodón, el
árbitro, siempre será la validez; todas las fantasías
y avances tecnológicos pasan por demostrar que
aportan mejoras en la medida del constructo evaluado, pues de lo contrario no dejarán de ser meros
fuegos de artificio.
Según Hambleton (Hambleton, 2004, 2006,
2009), seis grandes áreas están atrayendo la atención de investigadores y profesionales. La primera
es el uso internacional de los test, lo que plantea
todo un conjunto de problemas de adaptación de
312 /
Introducción a la Psicometría
los test de unos países a otros (Byrne et al., 2009;
Hambleton et al., 2005; Muñiz et al., 2016). La segunda es el uso de nuevos modelos psicométricos y
tecnologías para generar y analizar los test. La tercera es la aparición de nuevos formatos de ítems
derivados de los grandes avances informáticos
y multimedia, pasando de las modestas matrices
en blanco y negro a las pantallas interactivas, con
animación y sonido, capaces de reaccionar a las
­respuestas de las personas evaluadas (Irvine y Kyllonen, 2002; Shermis y Burstein, 2013; Sireci y Zenisky, 2006, 2016). La cuarta área que reclamará
gran atención es todo lo relacionado con los test
informatizados y sus vínculos con internet. Como
ya se ha comentado, mención especial merecen en
este campo los test adaptativos informatizados que
permiten ajustar la prueba a las características de
la persona evaluada, sin por ello perder objetividad
o comparabilidad entre las personas, lo cual abre
perspectivas muy prometedoras en la evaluación
(Mills y Breithaupt, 2016; Zenisky y Luecht, 2016).
La evaluación a distancia o teleevaluación es otra
línea que se abre camino con rapidez, lo cual planta serios problemas de seguridad de los datos y de
las personas, pues hay que comprobar que la persona que se está evaluando es la que realmente dice
ser, sobre todo en contextos de selección de personal o de pruebas con importantes repercusiones
para la vida futura de la persona evaluada. En este
campo se están dando grandes avances básicos y
aplicados (Bartram y Hambleton, 2006; Leeson,
2006; Mills et al., 2002; Parshall et al., 2002; Williamson et al., 2006; Wilson, 2005). En quinto lugar cabe señalar un campo que puede parecer periférico pero que está cobrando gran importancia. Se
trata de los sistemas a utilizar para dar los resultados a los usuarios y partes legítimamente implicadas. Es fundamental que estos comprendan sin
equívocos los resultados de las evaluaciones, y no
es obvio cuál es la mejor manera de hacerlo, sobre
todo si se tienen que enviar para la interpretación y
explicación del profesional, como ocurre en numerosas situaciones de selección de personal o en la
evaluación educativa (Goodman y Hambleton,
2004; Zenisky y Hambleton, 2016). Finalmente es
muy probable que en el futuro haya una gran demanda de formación por parte de distintos profesionales relacionados con la evaluación; estar al
tanto de los cambios exige formación continua.
Por su parte, Sireci y Faulkner-Bond (2016) subrayan seis tendencias actuales en línea con las ya
comentadas del profesor Hambleton: uso de los test
para establecer responsabilidades sobre la calidad
de la educación, hacer las evaluaciones más accesibles y adaptables a todas las personas, sean cuales
sean sus características personales, aumento de las
evaluaciones internacionales, uso de las nuevas tecnologías para mejorar la evaluación (Drasgow,
2016), demanda de nuevos métodos para mejorar
los informes de los resultados y la evaluación diagnóstica y finalmente llevar a cabo evaluaciones en
contextos menos estructurados, como los juegos
(gamificación), utilizando además el potencial formativo de las evaluaciones. En el reciente libro sobre tecnología y test editado por Drasgow (2016) se
incluyen interesantes capítulos sobre nuevos tipos
de ítems, evaluación y juegos, simulaciones, ensamblaje automático de los test, corrección automática
de las pruebas, evaluación ambulatoria, entre otros,
que dan una buena idea de por dónde emergen las
innovaciones en nuestros días.
Otro tema que cobra pujanza es el de la evaluación ambulatoria ya citada, que si bien tiene rancio
abolengo en psicología, está resurgiendo con fuerza
en la actualidad impulsada por las nuevas tecnologías (Chernyshenko y Stark, 2016; Trull y EbnerPriemer, 2009, 2013; Van Os, Delespaul, Wigman,
Myin-Germeys y Wichers, 2013). La evaluación
ambulatoria abarca una amplia gama de métodos
de evaluación que tratan de estudiar las experiencias de las personas en su entorno natural y en la
vida diaria, permitiendo evaluar determinadas variables y constructos psicológicos desde una perspectiva más dinámica, personalizada, contextual y
ecológica. Permite evaluar los sentimientos, las cogniciones, las emociones y los síntomas de las personas mediante dispositivos móviles en su contexto
real diario. Para ello habitualmente se realizan evaluaciones varias veces al día durante un período
temporal (típicamente una semana) para captar suficientemente la variabilidad de los fenómenos. Las
preguntas se activan mediante un beep en un marco
temporal fijado por el investigador, por ejemplo,
entre las diez de la mañana y las diez de la noche.
Además, estos beeps pueden presentarse de forma
aleatoria o en intervalos de tiempo predeterminados, por ejemplo cada 90 minutos. A lo largo de
cada día se recogen diferentes muestras de compor© Ediciones Pirámide
Mirando hacia el futuro
tamiento, aproximadamente seis u ocho por día durante siete días. Todos estos datos se vuelcan a una
plataforma para su análisis posterior. Se trata, pues,
de un abordaje complementario a los procedimientos tradicionales de evaluación psicométrica de papel y lápiz en contextos más o menos artificiales y
de corte más bien transversal y retrospectivo (Fonseca y Muñiz, 2017). La flexibilidad de los nuevos
modelos psicométricos de análisis de redes pueden
permitir la incorporación y análisis de este tipo de
datos (Borsboom y Cramer, 2013; Fonseca, 2017),
así como los modelos procedentes de la teoría de
los sistemas dinámicos o la teoría del caos (Nelson,
McGorry, Wichers, Wigman y Hartmann, 2017).
Otro reto fundamental al que se enfrenta la evaluación psicológica es el uso masivo de autoinformes
en detrimento de otros indicadores de carácter neurobiológico, personas cercanas (proxies) u observación
conductual, entre otros. Ahora bien, los autoinformes
tienen serias limitaciones a dos niveles: epistemológico y técnico. A nivel espistemológico, al hacer que una
persona informe sobre sí misma retrotraemos la psicología al estatus de ciencia introspectiva, dejando
nuestro nivel de análisis al albur de lo que una persona cree saber sobre sí misma, o decida decirnos.
A nivel técnico, los autoinformes resultan muy vulnerables al falseamiento y la distorsión, por lo que
los hace inservibles en numerosas situaciones (Aren-
© Ediciones Pirámide
/ 313
dasy, Sommer, Herle, Schützhofer e Inwanschitz,
2011; Hogan, Barrett y Hogan, 2007). Para evitar
estos inconvenientes se están desarrollado numerosas estrategias, destacando las pruebas ipsativas
(Brown y Maydeu-Olivares, 2013) y los test de asociación implícita (IAT), los cuales permiten detectar
la asociación automática que una persona muestra
sobre diferentes ideas, objetos o conceptos (Greenwald y Banaji, 1995; Greenwald et al., 2009), evitando así la distorsión consciente de los autoinformes.
Como cualquier otra tecnología emergente, los IAT
no están exentos de limitaciones y existe un debate
sobre ellos en la literatura especializada (Barth,
2007; Fazio y Olson, 2003; Gawronsky y Payne,
2010; Hofmann, Gawronski, Gschwendner, Le y
Schmitt, 2005).
Estas son algunas líneas de trabajo y los retos
sobre los que muy probablemente girarán las actividades evaluadoras en un futuro no muy lejano. No
se trata de hacer una relación exhaustiva ni mucho
menos, sino de indicar algunas pistas para orientarse en el mundo cambiante de la evaluación psicológica. Estos cambios y progresos que se están produciendo en la evaluación psicológica son de vital
importancia, pues al fin y al cabo la evaluación rigurosa constituye la base de unos diagnósticos precisos, claves a su vez para generar intervenciones
eficaces.
Apéndice
1.1. e = X − V
Según 1.2:
E(e) = 0
Según el modelo:
X=V+e
luego
E(X ) = E(V )
mx = mv
Despejando:
e=X−V
1.2. E(e) = 0
1.4. cov (V, e) = 0
La covarianza entre V y e vendrá dada según la definición de covarianza por:
Según 1.1:
cov (V, e) = rVesVse
e=X−V
Según el supuesto 2 del modelo:
Esperanza matemática: E(e) = E(X − V )
E(e) = E(X ) − E(V )
Según el modelo para una puntuación verdadera dada:
E(X ) = V
rVe = 0
luego:
cov (V, e) = (0)sVse = 0
1.5. cov (X, V ) = var (V )
La covarianza entre X y V vendrá dada por
luego:
cov (X, V ) = E(XV ) − E(X )E(V )
E(e) = V − E(V ) = V − V = 0
1.3. mx = mv
Según el modelo: X = V + e
E(X ) = E(V + e) = E(V ) + E(e)
© Ediciones Pirámide
Sustituyendo X por su valor en el modelo:
X=V+e
cov (X ,V ) = E[(V + e)V ] − E(V + e)E(V ) =
= E(V 2 ) + E(Ve) − E(V )E(V ) −
− E(e)E(V )
316 /
Introducción a la Psicometría
Ahora bien,
E(Ve) − E(V )E(e) = cov (V, e)
Y según 1.4:
dado que las puntuaciones verdaderas no
covarían con los errores ni los errores entre
sí. Luego nos queda que:
cov (X j , X k ) = (V jVk ) - E(V j )E(Vk ) =
= cov (V j ,Vk )
cov (V, e) = 0
luego
2
2
cov (X, V ) = E(V ) − [E(V )] = var (V ),
ya que
E(V 2) − [E(V )]2 = var (V )
1.6. cov (Xj, Xk) = cov (Vj, Vk)
La covarianza entre Xj y Xk vendrá dada
por:
Nota. Si se tratase de formas paralelas, entonces Vj y Vk serían iguales; por tanto, su
covarianza sería la varianza, pudiendo escribirse [1.6]:
cov (Xj, Xk) = cov (Vj, Vk) = var (V )
1.7.var (X ) = var (V ) + var (e).
Según el modelo:
X=V+e
cov (Xj, Xk) = E(Xj, Xk) − E(Xj)E(Xk)
Sustituyendo Xj y Xk por su valor según el
modelo:
cov (X j , X k ) = E[(V j + e j )(Vk + ek )] −
− E(V j + e j )E(Vk + ek ) =
La varianza de una variable compuesta viene dada por:
var (X ) = var (V ) + var (e) + 2 cov (V, e)
Ahora bien, según 1.4,
= E(V jVk ) + E(V j ek ) +
+ E(e jVk ) + E(e j ek ) −
− E(V j )E(Vk ) − E(V j )E(ek ) −
cov (V, e) = 0
luego
− E(e j )E(Vk ) + E(e j )E(ek )
Ahora bien:
var (X ) = var (V ) + var (e)
1.8. rxe = se/sx
E(V j ek ) - E(V j )E(ek ) = cov (V j , ek )
E(e jVk ) - E(e j )E(Vk ) = cov (e j ,Vk )
La correlación entre las puntuaciones empíricas y los errores vendrá dada por:
E(e j ek ) - E(e j )E(ek ) = cov (e j , ek )
Y según los supuestos 2 y 3 del modelo es
inmediato que:
cov (V j , ek ) = 0
cov (e j ,Vk ) = 0
cov (e j , ek ) = 0
ρ xe =
cov (X , e) E(Xe) − E(X )E(e)
=
=
σ xσ e
σ xσ e
=
E[(V + e)e] − E(V + e)E(e)
=
σ xσ e
=
E(Ve) + E(e 2 ) − E(V )E(e) − [E(e)]2
σ xσ e
© Ediciones Pirámide
Apéndice
Pero:
/ 317
Luego:
E(Ve) − E(V )E(e) = σ (V , e) = 0
E(e 2 ) − [E(e)]2 = σ e2
Sustituyendo:
ρ xe =
σ e2
σ xσ e
s x21 = s x22 = s x23 = ... = s x2k
1.11. rx1x2 = rx1x3 = ... = rxjxk
La correlación entre dos formas paralelas
Xj, Xk vendrá dada por:
ρ x j xk =
Simplificando:
ρ xe =
σe
σx
1.9. m1 = m2 = ... = mk
X3 = V + e3; ... ; Xk = V + ek
cov (Xj, Xk) = s v2
y según 1.10:
sxj = sxk
Luego la correlación entre dos formas paralelas cualesquiera vendrá dada por:
Según 1.3:
ρ x j xk =
mx1 = mv; mx2 = mv; mx3 = mv; ... ; mxk = mv
Luego
mx1 = mx2 = mx3 = ... = mxk
1.10. s x21 = s x22 = ... = s x2k
Para K formas paralelas de un test X, según
1.7:
σ x21 = σ v21 + σ e21
σ x22 = σ v22 + σ e22
σ x23 = σ v23 + σ e23
!
!
!
σ x2k = σ v2k + σ e2k
σ v21 = σ v22 = σ v23 = ! = σ v2k
© Ediciones Pirámide
σ v2
σ x2
Pero según 1.10 las varianzas de las puntuaciones verdaderas (numerador) y de las empíricas (denominador) son iguales para todas las formas paralelas; luego r xjxk será
constante para cualquier par j y k de formas
paralelas, es decir:
rx1x2 = rx1x3 = ... = rxjxk
2.1. rxx′ = s v2/s x2
La correlación entre dos formas paralelas X
y X ′ vendrá dada por:
ρ xx ′ =
Por definición de test paralelos:
σ e21 = σ e22 = σ e23 = ! = σ e2k
σ x j σ xk
Ahora bien, según 1.6 la covarianza entre
formas paralelas:
Para K formas paralelas de un test X, según
el modelo:
X1 = V + e1; X2 = V + e2;
cov (X j , X k )
cov (X , X ′ )
σ xσ x ′
Según 1.6 (nota):
cov (X, X ′) = s v2
318 /
Introducción a la Psicometría
2.4.
Según 1.10
sx = sx′
σ e = σ x 1 − ρ xx ′
Según 2.2:
luego
ρ xx ′ = 1 −
sxsx′ = s x2
Sustituyendo:
operando:
ρ xx ′ =
σ v2
σ x2
ρ xx ′ =
2.2. rxx′ = 1 − [s e2/s x2]
s v2
=
y extrayendo la raíz cuadrada:
s x2
−
s e2
σ e = σ x 1 − ρ xx ′
Sustituyendo en 2.1
ρ xx ′ =
_
_
2.8. Y ′ = rxy(sy/sx)(X − X ) + Y
σ x2 − σ e2
σ x2
Sea:
dividiendo ambos términos entre s x2,
ρ xx ′ = 1 −
ρ xv =
La correlación entre X y V vendrá dada por:
f (e) = E(y − y′)2
Desarrollando f (e) y sustituyendo y′ por su
valor bx
cov (X ,V )
=
σ xσ v
f (e) = E( y - bx)2 = Ey 2 + b 2 Ex 2 - 2bExy =
Según 1.5:
= s y2 + b 2s x2 - 2b cov (x, y) =
= s y2 + b 2s x2 - 2b rxys ys x
cov (X, V ) = s v2
luego
ρ xv =
y′ = bx (puntuaciones diferenciales)
Se trata de estimar el valor de b que minimice los errores de estimación (y − y′), y dado
que E(y − y′) = 0, que minimice una función
de esos errores, los errores cuadráticos:
σ e2
σ x2
ρ xx ′ = σ v / σ x
ρ xv
σ x2 − σ e2
; ρ xx ′ ⋅ σ x2 = σ x2 − σ e2
σ x2
σ e2 = σ x2 − σ x2 ρ xx ′ ; σ e2 = σ x2 (1 − ρ xx ′ )
Despejando s v2 de 1.7:
2.3.
σ e2
σ x2
Derivando f (e) respecto a b:
σ v2
σ
= v =
σ xσ v σ x
σ v2
=
σ x2
ρ xx ′
δ f (e)
= 0 + 2bσ x2 − 2 ρ xyσ yσ x
δb
© Ediciones Pirámide
Apéndice
Igualando a cero y despejando:
luego
0 = 2bσ x2 − 2 ρ xyσ yσ x
b=
2 ρ xyσ yσ x
2σ x2
2
2
s y·x
= s y2 + rxy
σy
= ρ xy
σx
1 2
1 2
2
2
2
σ y·x
= σ y2 + ρ xy
σ y2 − 2 ρ xy
σ y2 =
2
2
σ y2 = σ y2 (1 − ρ xy
)
= σ y2 − ρ xy
σy
x
y ′ = ρ xy
σx
Extrayendo la raíz cuadrada:
Expresado en puntuaciones directas:
σy
(X − X )
σx
2
s y ·x = s y 1 - rxy
2.11.
σ v·x = σ x 1 − ρ xx ′ ρ xx ′
La fórmula general viene dada en 2.10.
pero
_
Y′ = Y′
2
σ y·x = σ y 1 − ρ xy
luego
En el modelo Y pasa a ser V :
σy
(X − X ) + Y
σx
Y ′ = ρ xy
2
σ v·x = σ v 1 − ρ vx
Ahora bien, según 2.3:
2
2.10. σ y·x = σ y 1 − ρ xy
La varianza de los errores de estimación viene dada por:
s 2y.x = E(y − y′)2
ρ xv =
3
2
s y·x
= E y - rxy
= Ey +
2
2
rxy
sy
x
sx
1 24
2
1 2
Ahora bien:
Ex2 = s x2 ; Exy = cov (x, y) = rxysysx
© Ediciones Pirámide
sv = rxvsx
Sustituyendo:
s y2
sy
Ex 2 - 2 rxy
Exy
2
sx
sx
1 2
σv
σx
luego
Sustituyendo y′ por su valor en diferenciales:
2
s y·x
s y2 2
s
s x - 2 rxy y rxys ys x
2
sx
sx
Simplificando:
Por tanto, en puntuaciones diferenciales:
Y ′ − Y ′ = ρ xy
/ 319
2
ρ v.x = ρ xvσ x 1 − ρ xv
Pero
ρ xv =
ρ xx ′
o
2
ρ xv
= ρ xx ′
320 /
Introducción a la Psicometría
luego sacando factor común s x2:
Sustituyendo:
σ v.x = σ x 1 − ρ xx ′ ρ xx ′
2.13.
ρ dd ′ =
ρ dd ′ =
σ x2 ρ xx ′ + σ z2 ρ zz ′ − 2σ xσ z ρ xz
σ x2 + σ z2 − 2σ xσ z ρ xz
σ x2 ( ρ xx ′ + ρ zz ′ − 2 ρ xz )
σ x2 (2 − 2 ρ xz )
simplificando:
Sea d la diferencia entre las puntuaciones X
y Z:
ρ dd ′ =
ρ xx ′ + ρ zz ′ − 2 ρ xz
2(1 − ρ xz )
(d = X − Z)
El coeficiente de fiabilidad de las puntuaciones d vendrá dado por:
r dd ¢ =
=
s v2
=
s x2
s v2x
s x2
2
s (V
x -Vz )
s (2X - Z )
+ s v2z
+ s z2
2.16.
σ e s = σ x 1 − ρ xx ′ 2
e = x1 − x2 (en puntuaciones diferenciales)
σ e2s = E(x1 − x2 )2
=
σ e2s = E(x12 + x22 − 2x1x2 )
- 2 cov (Vx ,Vz )
σ e2s = Ex12 + Ex22 − 2Ex1x2
- 2 cov (X , Z )
σ e2s = σ x21 + σ x22 − 2 cov (x1 , x2 )
σ e2s = σ x21 + σ x22 − 2 ρ x1x2σ x1σ x2
Ahora bien:
ρ xx ′ =
σ v2
σ x2
Teniendo en cuenta que x1 y x2 son formas
paralelas:
s x21 = s x22
luego
2
= rxx′s x2
s vx
luego
además, según 1.6:
s e2s = 2s x2 − 2rxx′s x2
cov (Vx, Vz) = cov (X, Z) = sxszrxz
y sacando factor común 2s x2:
sustituyendo:
ρ dd ′ =
2.14.
ρ dd ′
s e2s = 2s x2(1 − rxx′)
σ x2 ρ xx ′ + σ z2 ρ zz ′ − 2σ xσ z ρ xz
σ x2 + σ z2 − 2σ xσ z ρ xz
ρ + ρ zz ′ − 2 ρ xz
= xx ′
2(1 − ρ xz )
Si los test están en la misma escala, entonces
en 2.13:
s x2 = s z2 y
sxsz = s x2
Extrayendo la raíz cuadrada:
σ e s = σ x 1 − ρ xx ′ 2
2.17.
σ e p = σ x 1 − ρ xx ′ 1 + ρ xx ′
e = x1 − x′1 (en puntuaciones diferenciales).
Los pronósticos de x1 a partir de x2 vendrán
dados por:
© Ediciones Pirámide
Apéndice
x1′ = ρ x1x2
σ e2p
σ x1
Calculemos las varianzas de V y X en función de sus componentes:
1σ 2x
2
x2
3
= E(x1 − x1′ ) = E x1 − ρ x1x2
2
σ e2p = Ex12 + ρ x21x2
/ 321
σ x1
x
σ x2 2
1 2 4
2
σ x21
σ x1
Ex22 − 2 ρ x1x2
Ex1x2
2
σ x2
σ x2
1 2
1 2
Teniendo en cuenta que x1 y x2 son formas
paralelas:
sx1 = sx2 = sx ; rx1x2 = rxx′
σ V2 = σ 2 (v1 + v2 + ! + vn ) =
=
∑ σ vj2 + ∑ ∑ cov (v j , vk )
Ahora bien, para tests paralelos y puntuaciones verdaderas:
svj = svk = sv y
cov (vj, vk) = s v2
luego
σ V2 = nσ v2 + n(n − 1)σ v2 = σ v2 [n + n(n − 1)] =
luego:
= σ v2 (n + n 2 − n)
σ e2p = σ x21 + ρ x2x ′
σ x21 2
σ x1
σ x2 − 2 ρ xx ′
ρ σ σ
2
σ x2
σ x2 xx ′ x1 x2
1 2
1 2
simplificando:
s V2 = n2s v2
Simplificando
s e2p = s x2 + rx2x ¢s x2 - 2 rx2x ¢s x2 = s x2 - rx2x ¢s x2
s e2p = s x2 (1 - rx2x ¢ ) = s x2 (1 + rxx ¢ )(1 - rxx ¢ )
Varianza de X:
σ X2 = σ 2 (x1 + x2 + ! + xn ) =
=
∑ σ xj2 + ∑ ∑ cov (x j , xk )
Extrayendo la raíz cuadrada:
donde
σ e p = σ x 1 − ρ xx ′ 1 + ρ xx ′
2.20.
ρ xx ′ =
n ρ xx ′
1 + (n − 1) ρ xx ′
Hay varias posibles formas de derivar 2.20.
Veamos una muy sencilla. La fiabilidad viene dada por rxx′ = s v2 /s x2; por tanto, si se
desea saber el efecto que tiene sobre rxx′
alargar n veces paralelas el test, veamos lo
que ocurre a los factores de los que depende
rxx′, esto es, s v2 y s x2. Si se alarga el test n
veces:
V = v1 + v2 + ! + vn
X = x1 + x2 + ! + xn
© Ediciones Pirámide
s xj = s xk = s x
;
cov (x j , xk ) = rx j xk s x j s xk = rxx ¢s x2
luego:
σ X2 = nσ x2 + n(n − 1) ρ xx ′σ x2
σ X2 = nσ x2 [1 + (n − 1) ρ xx ′ ]
Por tanto:
r XX ¢ =
sV2
n 2s v2
=
2
2
sX
ns x [1 + (n - 1) rxx ¢ ]
r XX ¢ =
n r xx ¢
1 + (n - 1) rxx ¢
322 /
2.23.
Introducción a la Psicometría
a =
 s 2j
La varianza de X en función de sus componentes:
3 1 s 24
n
1n -1
2
x
s X2 = ∑ s j2 + ∑ ∑ cov ( j, k)
Según 2.20:
de donde
ρ XX ′ =
σ V2
σ X2
σ v2
2
n
nσ x2 + n(n − 1) ρ xx ′σ x2
=
∑ ∑ cov ( j, k) = s X2 − ∑ s j2
Ahora bien, según 2.23 (penúltimo paso):
Si los componentes son paralelos:
σ v2
=
ρ x j xk σ x2 j
=
α =
ρ xx ′σ 2j
∑ σ x2 + n(n − 1) ρ x x σ x2
= ∑ σ 2j + n(n − 1) ρ xx ′σ 2j
σ X2 =
j
j k
j
=
s X2 − ∑ s j2 = ∑ ∑ cov ( j, k)
n 2 rxx ¢s 2j
ρ XX ′ =
nn(n − 1) ρ xx ′σ 2j
α =
Ahora bien:
=
luego
1 n − 121 σ ∑ 2
n
∑σ = α
=1
1−
21
n −1
σ 2
n
σ 2j
−
2
X
2
j
2
X
Por tanto, cuando los componentes son paralelos a = rXX ′.
1 21
n
α =
n −1
∑ ∑ cov ( j, k)
σ X2
2
2
X
2
n→`
=
n(n − 1)rxx′s j2 = s X2 − ∑ s j2
cov ( j, k)
n
α = α̂
2.25.
(n − 1)σ X2
σ X2
1 n − 121∑ ∑ σ
α =
s X2
Multiplicando numerador y denominador
por (n − 1):
2.24.
2
nos queda
r XX ¢ =
ρ XX ′
1 21
Sustituyendo:
Sustituyendo:
ρ XX ′ =
σ X2 − ∑ σ 2j
n
n −1
σ X2
=
(N − 3)α̂
2
N α̂ − 3α̂
2
+
=
+
=
N −1
N −1
N −1
N −1
3α̂
2
N α̂
−
+
=
N −1 N −1 N −1
α̂
3α̂
2
−
+
=
(N − 1) N − 1 N − 1
N
α̂
N
1
−
N N
−
3α̂
=
N −1
α̂
1−
1
N
−
3α̂
2
+
N −1 N −1
Cuando N → ∞
1
=0
N
;
3a
=0
N -1
;
2
=0
N -1
luego
a– = â
© Ediciones Pirámide
Apéndice
9.
2.26. a ⩽ rxx′
Ahora bien,
s V2 /s X2 = rXX ′ y
Caso de dos componentes
Sean X1 y X2 las puntuaciones empíricas y
V1 y V2 las puntuaciones verdaderas:
rXX ′ ⩾ 4sx1x2/s X2 = 2(2sx1x2/s X2 )
Teniendo en cuenta que
σ X2 = σ x21 + σ x22 + 2σ x1x2
(sv1 − sv2)2 ⩾ 0
2σ x1x2 = σ X2 − (σ x21 + σ x22 )
desarrollando:
2.
Sustituyendo en 9:
s v21
s v22
+
− 2sv1sv2 ⩾ 0
s v21
+
s v22
⩾ 2sv1sv2
ahora bien,
ρ XX ′ >
rv1v2 = sv1v2/(sv1sv2)
11.
σ x21 + σ x22
2
1−
2 −1
σ X2
3 1
σ x21 + σ x22
2
1−
2 −1
σ X2
3 1
luego:
24 = α
luego:
sv1v2 ⩽ sv1sv2
Según 2 y 4:
s v21 + s v22 ⩾ 2sv1v2
sumando 2sv1v2 a 5:
rXX ′ ⩾ a
Caso general de n componentes
Según la desigualdad de Cauchy-Schwartz:
∑ ∑ (s v2j + s v2k) ⩾ 2∑ ∑ svjvk
6.
s v21 + s v22 + 2sv1v2 ⩾ 4sv1v2
7.
24
Pero
sv1v2/(sv1sv2) ⩽ 1
4.
4
operando:
3.
puesto que rv1v2 ⩽ 1:
σ X2 − (σ x21 + σ x22 )
σ X2
3
ρ XX ′ > 2
luego
5.
sv1v2 = sxx′
según [1.6], luego:
10.
l.
/ 323
Ahora bien,
∑ ∑ (s v2j + s v2k) = 2(n − 1) ∑ s v2j
(véase nota al final)
Ahora bien:
s v21 + s v22 + 2sv1v2 = s V2
luego
s V2
⩾ 4sv1v2
8. Dividiendo ambos miembros de 7 entre
s X2
s V2 /s X2
© Ediciones Pirámide
⩾
4sv1v2/s X2
luego:
2(n − 1) ∑ s v2j ⩾ 2∑ ∑ svjvk
donde:
 s v2
j
>
2 Â Â s v j vk
2(n - 1)
324 /
Introducción a la Psicometría
Sumando a ambos miembros ∑ ∑ svjvk
 s v2 +   s v v
j
j k
>
  sv v
j k
n -1
+ Â Â s v j vk
El primer miembro es s V2 ; luego:
sV2
>
sV2 >
sV2 >
  sv v
j k
n -1
+
  sv sv
j
k
(n - 1)
2.34. U
tilizando el análisis de varianza a viene
dado por:
α =
MCpersonas − MCresidual
MCpersonas
1 − α̂ =
n   s v j s vk
1 n - 12Â Â s
n
v j s vk
1−α =
σ X2 − ∑ σ 2j
σ V2
n
>
n −1
σ X2
σ X2
2
σ X2 − ∑ σ 2j
n
n −1
σ X2
2
1 21
1 21
pero el segundo miembro de la desigualdad
es a; luego:
rXX ′ ⩾ a
Nota. Aunque es fácil de ver que según las
propiedades del sumatorio
∑ ∑ (s v2j + s v2k) = 2(n − 1) ∑ s v2j
Lord y Novick (1968, p. 89) ofrecen una sencilla demostración:
a) ∑ ∑ (s v2j + s v2k) = n ∑ s v2j + n ∑ s v2k = 2n ∑ s v2j
b) ∑ ∑ (s v2j + s v2k) = ∑ ∑ (s v2j + s v2k) +
+ ∑ ∑ (s v2j + s v2k) = 2 ∑ s v2j +
+ ∑ ∑ (s v2j + s v2k)
Igualando a) y b) y despejando:
2n ∑ σ v2j = 2 ∑ σ v2j + ∑ ∑ (σ v2j + σ v2k )
2(n − 1)∑ σ v2j =
MCr
MC p
Análogamente, en la población:
Dividiendo entre s X2 y sustituyendo ∑ ∑ svjvk
por su equivalente (s X2 − ∑ s j2):
ρ XX ′ >
MCr
MC p
luego:
n -1
n -1
= 1−
∑ ∑ (σ v2
j
+ σ v2k )
E(MCr )
E(MC p )
Dividiendo miembro a miembro:
E(MCr )
E(MC p )
1−α
=
MCr
1 − α̂
MC p
reordenando:
MC p
E(MC p )
1−α
=
MCr
1 − α̂
E(MCr )
Ahora bien, en el modelo ANOVA numerador y denominador son independientes y se
distribuyen según c 2 con (N − 1) y (n − l)
(N − 1) grados de libertad, respectivamente;
luego su cociente se distribuye según
F(N − 1),(n − 1)(N − 1). (Se asumen los supuestos
del modelo ANOVA tipo II con una observación por casilla.)
2.35.
W no se distribuye estrictamente según
F(N1 − 1),(N2 − 1) sino según (F1)(F2) con grados
de libertad, respectivamente, de:
[(N1 − 1), (N1 − 1)(n1 − 1)] y
[(N2 − 1), (N2 − 1)(n2 − 1)]
© Ediciones Pirámide
Apéndice
donde:
N: Número de sujetos.
n: Número de ítems.
2.40.
Las esperanzas matemáticas de las medias
cuadráticas vienen dadas por:
Personas (p)
Evaluadores (i)
Modalidad (m)
p×i
p×m
i×m
p×i×m+e
Feld (1969) demuestra que en muestras
grandes (F1)(F2) se aproxima a F(N1 − 1),(N2 − 1),
entendiendo por grandes N > 100.
2.39. Media.
Es inmediato que si una variable X es combinación lineal de n variables x1, x2, ..., xn
con pesos a1, a2, ..., an, su media viene dada
por:
_
X = aiu
donde ai es el vector de pesos y u el vector
de medias de los componentes. Veámoslo:
Sea
σ e2 = 1,050
2
=
vim
σ 2pm =
donde u es el vector de medias
_
_
_
x 1 + x 2 + ··· + x n
2,650 − 1,050
= 1,210
2
9,82 − 1,050 − 10(0,135) − 3(0,533)
= 0,194
10 × 3
vi2 =
5,35 − 1,050 − 10(0,135) − 2(1,210)
= 0,026
10 × 2
σ 2p =
7,84 − 1,050 − 2(1,210) − 3(0,533)
= 0,462
3×2
2
3.20. s y2 = s y′2 + s y.x
Varianza
var (X ) = var (a′x) = E(a′x − a′u)2 =
= E(a′x − a′u)(a′x − a′u) =
= E[a′(x − u)(x − u)′a] =
= a′[E(x − u)(x − u)′]a
Pero
σ y2 = E(Y −Y )2 = E(Y −Y + Y ′ − Y ′ ) =
= E[(Y ′ −Y ) + (Y − Y ′ )]2 =
= E[(Y ′ −Y )2 + (Y − Y ′ )2 + 2(Y ′ −Y )(Y − Y ′ )] =
= E(Y ′ −Y )2 + E(Y − Y ′ )2 + 2E(Y ′ −Y )(Y − Y ′ )
Ahora bien:
E(x − u)(x − u)′
es la matriz de varianzas-covarianzas de x:
∑xx; luego
var (X ) = a′ ∑xx a
© Ediciones Pirámide
2,40 − 1,05
= 0,135
10
vm2 =
la media de X vendrá dada por:
E(X ) = E(a′x) = a′E(x) = a′u
2
s e2 + nms pi2 + nis pm
+ ninms p2
2
2
2
s e + npvim + nmvpi + npnmvi2
2
2
s e2 + npvim
+ nivpm
+ npnmvm2
s e2 + nmvpi2
2
s e2 + nis pm
2
s e2 + npvim
s e2
Dado que ya se habían calculado las medias cuadráticas de las distintas fuentes de variación (véase
la tabla 2.7), para conocer el valor de las varianzas
se despejan de la ecuación correspondiente:
X = a1x1 + a2x2 + ··· + anxn
O, en forma matricial:
_
X = a′u
/ 325
_
_
E(Y ′ − Y )2 = E(Y ′ − Y ′)2
puesto que
_
_
Y = Y′
326 /
Introducción a la Psicometría
Además:
_
_
E(Y ′ − Y )(Y − Y ′) = cov [(Y ′ − Y ), (Y − Y ′)] = 0
Luego:
s y2
s y2
3.21.
2
ρ xy
=
_
= E(Y ′ − Y ′)2 + E(Y − Y ′)2
2
= s y′2 + s y.x
Se trata de minimizar e′e.
Según el modelo:
Y = Xb + e
de donde:
e = Y − Xb
por tanto:
σ y2′
σ y2
e ′e = (Y − X b )′(Y − X b) =
= Y ′ Y − Y ′X b − b ′X ′ Y + b ′X ′X b =
ρ xyσ y
x
y′ =
σx
luego:
s y2¢ =
2
rxy
s y2 2
2
s x = rxy
s y2
s x2
= Y ′ Y − Y ′X b − ( Y ′Xb )′ + b ′X ′X b =
= Y ′ Y − 2 Y ′X b + b ′X ′X b
Ya que Y′X b = (Y′X b)′ = Y′X b por ser un
escalar, y por tanto igual a su traspuesta, derivando e′e respecto a b:
δ e ′e
= 0 − 2 X ′ Y + 2( X ′X )b
δb
sustituyendo:
2
ρ xy
=
3.22.
2
ρ xy
= 1−
2
σ y2′
ρ xy
σ y2
2
=
= ρ xy
σ y2
σ y2
igualando a cero:
0 = X ′ Y − (X ′ X)b
despejando b:
2
σ y.x
σ y2
b = (X ′X)−1X ′ Y
Dividiendo 3.20 entre s y2:
2
s y2 s y2¢ s y.x
= 2 + 2
2
sy
sy
sy
Teniendo en cuenta 3.21 y simplificando:
1=
2
ρ xy
3.24. b = (XX ′ )−1X ′ Y
2
ρ xy
2
σ y.x
+ 2
σy
2
σ y.x
= 1− 2
σy
Propiedades de b
1.
E(b) = B
E(b) = E[(X ′X)−1X ′ Y] = E[(X ′X)−1X ′(XB + e)]
Ahora bien, en el modelo:
Y = XB + e
luego:
E(b) = E[(X ′X)−1X ′ Y] = E[(X ′X)−1X ′(XB + e)]
Operando:
E(b) = (X ′X)−1X ′XE(B) + (X ′X)−1X ′E(e)
© Ediciones Pirámide
Apéndice
Ahora bien:
donde:
E(e) = 0
;
e′e = (Y − X b)′(Y − X b) = Y′Y − b′X ′ Y
(X ′X )−1X ′X = I
sustituyendo:
luego:
E(b) = IE(B) + 0 = E(B) = B
2.
/ 327
E
var (b) = s e2 (X ′X )−1
3
4
Y ¢ Y - b ¢X ¢ Y
2
= s y.123...k
N - K -1
es decir:
var (b) = E{[b − m(b)][b − m(b)]′} =
= E[(b − B)(b − B)′]
Y ′ Y − b ′X ′ Y
N − K −1
pero:
(b − B) = (X ′X )−1X ′ Y − B =
= (X ′X )−1X ′(X B + e) − B =
= (X ′X )−1X ′X B + (X ′X )−1X ′e − B =
= B + (X ′X )−1X ′e − B = (X ′X )−1X ′e
es un estimador insesgado de
s y.2 123... k
3.37.
rxy.z =
luego:
var (b) = E{[(X ′X )−1X ′e][(X ′X)−1X ′e]′} =
= E{[(X ′X)−1X ′e][e′X(X ′X )−1]} =
= (X ′X )−1X ′E(ee′)X(X ′X )−1
rxy.z = r( x − x ′ )( y − y′ ) =
=
s e2 (X ′X )−1X ′X(X ′X )−1
donde:
1 − rxz2 1 − rzy2
Según la definición de la correlación parcial:
pero E(ee′) = s e2 I; luego:
var (b) =
rxy − rzy rzx
∑ (x − x ′ )( y − y ′ )
NS( x − x ′ )S( y− y′ )
=
∑ xy − ∑ xy ′ − ∑ x ′y − ∑ x ′y ′
NSx 1 − rzx2 S y 1 − rzy2
Ahora bien:
(X ′X )−1X ′X = I
y′ =
rzyS y
Sz
luego:
x′ =
var (b) = s e2 (X ′X )−1
3.33. Estimador insesgado de s y.2 123... k
Es fácil demostrar que:
Sustituyendo y operando:
∑ xy − 1 zyS
r Sy
E(e′e) = s y.2 123... k(N − K − 1)
o lo que es lo mismo:
+
E
© Ediciones Pirámide
3 N - K - 14 = s
e ¢e
2
y.123...k
rzxSx
Sz
rxy.z =
z
2∑ zx − 1 S 2∑ zy +
rzxSx
z
1 S 21 S 2∑ z
rzxSx
z
NSx 1 −
rzyS y
2
z
rzx2 S y
1 − rzy2
328 /
Introducción a la Psicometría
Teniendo en cuenta los valores de rxy, rzx y
rzy y simplificando:
rxy.z =
=
3.39.
r( x − x ′ ) y =
r( x − x ′ ) y =
rxy − rzy rzx − rzx rzy + rzx rzy
1 − rzx2 1 − rzy2
=
rxy − rzy rzx
1−
rzx2
1−
rzy2
rxy − rzy
1 − rzx2
(x − x ′ )y
∑ xy − ∑ x ′y
=
( x − x ′ )S y
NSx 1 − rzx2 S y
∑ NS
Teniendo en cuenta que
rxy =
rzy =
∑ xy
NSxS y
∑ zy
NSzS y
y simplificando:
r( x − x ′ ) y =
rxy − rzx rzy
1 − rzx2
© Ediciones Pirámide
Tablas estadísticas
(continúa)
Los valores interiores indican probabilidades. Delante de la coma decimal, (’), se entiende que
va un cero. Así, por ejemplo, ’1292 equivale a 0’1292 e indica que P(Z ⩽ –1’13) = 0’1292.
© Ediciones Pirámide
330 /
Introducción a la Psicometría
TABLA A. Distribución normal. P(Z ⩽ z).
(continuación)
Los valores interiores indican probabilidades. Delante de la coma decimal, (’), se entiende que
va un cero. Así, por ejemplo, ’8925 equivale a 0’8925 e indica que P(Z < –1’24) = 0’8925.
Fuente: B
LUM, J. R. y ROSEMBLATT, J. I., Probabilities and Statistics, Filadelfia, Launders,
1972.
© Ediciones Pirámide
Tablas estadísticas
TABLA B. Distribución c 2, P(X ⩽ c 2p, n).
Los valores centrales de la tabla son los puntos c 2p, n que dejan por debajo de sí un área igual a p, supuesto
un número n de grados de libertad. Así, por ejemplo c 20,95:11 = 19,68 significa que, para 11 grados de libertad,
la probabilidad de obtener un valor igual o menor que 19,68 vale 0,95. El valor 19,68 es la intersección de la
columna encabezada por 0,950 y la fila encabezada por 11.
© Ediciones Pirámide
/ 331
332 /
Introducción a la Psicometría
TABLA C. Distribución t, P(T ⩽ tp, n)
Los valores centrales de la tabla son los puntos tp, n que dejan por debajo de sí un área a p, supuesto un número n de grados de libertad. Así, por ejemplo, t0,99:21 = 129,1518 significa que para 21 grados de libertad la
probabilidad de obtener un valor igual o menor que 2,1518 vale 0,99. El valor 2,1518 es la intersección de la
columna encabezada por 0,99 y la fila encabezada por 21.
© Ediciones Pirámide
Distribución F, P(Fn1, n2 ⩽ f0,95, n1, n2)
TABLA D
Tablas estadísticas
© Ediciones Pirámide
/ 333
Distribución F, P(Fn1, n2 ⩽ f0,975, n1, n2)
Introducción a la Psicometría
TABLA D
334 /
© Ediciones Pirámide
Distribución F, P(Fn1, n2 ⩽ f0,990, n1, n2)
TABLA D
Tablas estadísticas
© Ediciones Pirámide
/ 335
Introducción a la Psicometría
Distribución F, P(Fn1, n2 ⩽ f0,995, n1, n2)
TABLA D
336 /
© Ediciones Pirámide
Tablas estadísticas
TABLA E
Distribución binomial, P(X ⩽ k).
© Ediciones Pirámide
/ 337
338 /
Introducción a la Psicometría
TABLA E
(continuación)
© Ediciones Pirámide
Tablas estadísticas
TABLA E
(continuación)
© Ediciones Pirámide
/ 339
340 /
Introducción a la Psicometría
TABLA E
(continuación)
© Ediciones Pirámide
Tablas estadísticas
TABLA E
(continuación)
© Ediciones Pirámide
/ 341
342 /
Introducción a la Psicometría
TABLA E
(continuación)
© Ediciones Pirámide
Tablas estadísticas
TABLA E
(continuación)
© Ediciones Pirámide
/ 343
344 /
Introducción a la Psicometría
TABLA F
Distribución de dos variables normales con una correlación igual a KR21
(tomada de Subkoviak, 1984, pág. 277)
© Ediciones Pirámide
Tablas estadísticas
/ 345
TABLA II
Función de distribución normal tipificada
F (z) =
F(z)
z
z
F(z)
y
–3,00
0,0013
0,0044
–2,99
–2,98
–2,97
–2,96
–2,95
0,0014
0,0014
0,0015
0,0015
0,0016
–2,94
–2,93
–2,92
–2,91
–2,90
1
2
√ p
.
∫
z
-∞
x2
e- 2
. dx
z
F(z)
y
z
F(z)
y
0,0046
0,0047
0,0048
0,0050
0,0051
–2,64
–2,63
–2,62
–2,61
–2,60
0,0041
0,0043
0,0044
0,0045
0,0047
0,0122
0,0126
0,0129
0,0132
0,0136
–2,29
–2,28
–2,27
–2,26
–2,25
0,0110
0,0113
0,0116
0,0119
0,0122
0,0290
0,0297
0,0303
0,0310
0,0317
0,0016
0,0017
0,0018
0,0018
0,0019
0,0053
0,0055
0,0056
0,0058
0,0060
–2,59
–2,58
–2,57
–2,56
–2,55
0,0048
0,0049
0,0051
0,0052
0,0054
0,0139
0,0143
0,0147
0,0151
0,0154
–2,24
–2,23
–2,22
–2,21
–2,20
0,0125
0,0129
0,0132
0,0136
0,0139
0,0325
0,0332
0,0339
0,0347
0,0355
–2,89
–2,88
–2,87
–2,86
–2,85
0,0019
0,0020
0,0021
0,0021
0,0022
0,0061
0,0063
0,0065
0,0067
0,0069
–2,54
–2,53
–2,52
–2,51
–2,50
0,0055
0,0057
0,0059
0,0060
0,0062
0,0158
0,0163
0,0167
0,0171
0,0175
–2,19
–2,18
–2,17
–2,16
–2,15
0,0143
0,0146
0,0150
0,0154
0,0158
0,0363
0,0371
0,0379
0,0387
0,0396
–2,84
–2,83
–2,82
–2,81
–2,80
0,0023
0,0023
0,0024
0,0025
0,0026
0,0071
0,0073
0,0075
0,0077
0,0079
–2,49
–2,48
–2,47
–2,46
–2,45
0,0064
0,0066
0,0068
0,0069
0,0071
0,0180
0,0184
0,0189
0,0194
0,0198
–2,14
–2,13
–2,12
–2,11
–2,10
0,0162
0,0166
0,0170
0,0174
0,0179
0,0404
0,0413
0,0422
0,0431
0,0440
–2,79
–2,78
–2,77
–2,76
–2,75
0,0026
0,0027
0,0028
0,0029
0,0030
0,0081
0,0084
0,0086
0,0088
0,0091
–2,44
–2,43
–2,42
–2,41
–2,40
0,0073
0,0075
0,0078
0,0080
0,0082
0,0203
0,0208
0,0213
0,0219
0,0224
–2,09
–2,08
–2,07
–2,06
–2,05
0,0183
0,0188
0,0192
0,0197
0,0202
0,0449
0,0459
0,0468
0,0478
0,0488
–2,74
–2,73
–2,72
–2,71
–2,70
0,0031
0,0032
0,0033
0,0034
0,0035
0,0093
0,0096
0,0099
0,0101
0,0104
–2,39
–2,38
–2,37
–2,36
–2,35
0,0084
0,0087
0,0089
0,0091
0,0094
0,0229
0,0235
0,0241
0,0246
0,0252
–2,04
–2,03
–2,02
–2,01
–2,00
0,0207
0,0212
0,0217
0,0222
0,0228
0,0498
0,0508
0,0519
0,0529
0,0540
–2,69
–2,68
–2,67
–2,66
–2,65
0,0036
0,0037
0,0038
0,0039
0,0040
0,0107
0,0110
0,0113
0,0116
0,0119
–2,34
–2,33
–2,32
–2,31
–2,30
0,0096
0,0099
0,0102
0,0104
0,0107
0,0258
0,0264
0,0270
0,0277
0,0283
–1,99
–1,98
–1,97
–1,96
–1,95
0,0233
0,0239
0,0244
0,0250
0,0256
0,0551
0,0562
0,0573
0,0584
0,0596
© Ediciones Pirámide
346 /
Introducción a la Psicometría
TABLA II (continuación)
z
F(z)
y
z
F(z)
y
z
F(z)
y
–1,94
–1,93
–1,92
–1,91
–1,90
0,0262
0,0268
0,0274
0,0281
0,0287
0,0608
0,0620
0,0632
0,0644
0,0656
–1,49
–1,48
–1,47
–1,46
–1,45
0,0681
0,0694
0,0708
0,0721
0,0735
0,1315
0,1334
0,1354
0,1374
0,1394
–1,04
–1,03
–1,02
–1,01
–1,00
0,1492
0,1515
0,1539
0,1562
0,1587
0,2323
0,2347
0,2371
0,2396
0,2420
–1,89
–1,88
–1,87
–1,86
–1,85
0,0294
0,0301
0,0307
0,0314
0,0322
0,0669
0,0681
0,0694
0,0707
0,0721
–1,44
–1,43
–1,42
–1,41
–1,40
0,0749
0,0764
0,0778
0,0793
0,0808
0,1415
0,1435
0,1456
0,1476
0,1497
–0,99
–0,98
–0,97
–0,96
–0,95
0,1611
0,1635
0,1660
0,1685
0,1711
0,2444
0,2468
0,2492
0,2516
0,2541
–1,84
–1,83
–1,82
–1,81
–1,80
0,0329
0,0336
0,0344
0,0351
0,0359
0,0734
0,0748
0,0761
0,0775
0,0790
–1,39
–1,38
–1,37
–1,36
–1,35
0,0823
0,0838
0,0853
0,0869
0,0885
0,1518
0,1539
0,1561
0,1582
0,1604
–0,94
–0,93
–0,92
–0,91
–0,90
0,1736
0,1762
0,1788
0,1814
0,1841
0,2565
0,2589
0,2613
0,2637
0,2661
–1,79
–1,78
–1,77
–1,76
–1,75
0,0367
0,0375
0,0384
0,0392
0,0401
0,0804
0,0818
0,0833
0,0848
0,0863
–1,34
–1,33
–1,32
–1,31
–1,30
0,0901
0,0918
0,0934
0,0951
0,0968
0,1626
0,1647
0,1669
0,1691
0,1714
–0,89
–0,88
–0,87
–0,86
–0,85
0,1867
0,1894
0,1922
0,1949
0,1977
0,2685
0,2709
0,2732
0,2756
0,2780
–1,74
–1,73
–1,72
–1,71
–1,70
0,0409
0,0418
0,0427
0,0436
0,0446
0,0878
0,0893
0,0909
0,0925
0,0940
–1,29
–1,28
–1,27
–1,26
–1,25
0,0985
0,1003
0,1020
0,1038
0,1056
0,1736
0,1758
0,1781
0,1804
0,1826
–0,84
–0,83
–0,82
–0,81
–0,80
0,2005
0,2033
0,2061
0,2090
0,2119
0,2803
0,2827
0,2850
0,2874
0,2897
–1,69
–1,68
–1,67
–1,66
–1,65
0,0455
0,0465
0,0475
0,0485
0,0495
0,0957
0,0973
0,0989
0,1006
0,1023
–1,24
–1,23
–1,22
–1,21
–1,20
0,1075
0,1093
0,1112
0,1131
0,1151
0,1849
0,1872
0,1895
0,1919
0,1942
–0,79
–0,78
–0,77
–0,76
–0,75
0,2148
0,2177
0,2206
0,2236
0,2266
0,2920
0,2943
0,2966
0,2989
0,3011
–1,64
–1,63
–1,62
–1,61
–1,60
0,0505
0,0516
0,0526
0,0537
0,0548
0,1040
0,1057
0,1074
0,1092
0,1109
–1,19
–1,18
–1,17
–1,16
–1,15
0,1170
0,1190
0,1210
0,1230
0,1251
0,1965
0,1989
0,2012
0,2036
0,2059
–0,74
–0,73
–0,72
–0,71
–0,70
0,2296
0,2327
0,2358
0,2389
0,2420
0,3034
0,3056
0,3079
0,3101
0,3123
–1,59
–1,58
–1,57
–1,56
–1,55
0,0559
0,0571
0,0582
0,0594
0,0606
0,1127
0,1145
0,1163
0,1182
0,1200
–1,14
–1,13
–1,12
–1,11
–1,10
0,1271
0,1292
0,1314
0,1335
0,1357
0,2083
0,2107
0,2131
0,2155
0,2179
–0,69
–0,68
–0,67
–0,66
–0,65
0,2451
0,2483
0,2514
0,2546
0,2578
0,3144
0,3166
0,3187
0,3209
0,3230
–1,54
–1,53
–1,52
–1,51
–1,50
0,0618
0,0630
0,0643
0,0655
0,0668
0,1219
0,1238
0,1257
0,1276
0,1295
–1,09
–1,08
–1,07
–1,06
–1,05
0,1379
0,1401
0,1423
0,1446
0,1469
0,2203
0,2227
0,2251
0,2275
0,2299
–0,64
–0,63
–0,62
–0,61
–0,60
0,2611
0,2643
0,2676
0,2709
0,2743
0,3251
0,3271
0,3292
0,3312
0,3332
© Ediciones Pirámide
Tablas estadísticas
/ 347
TABLA II (continuación)
z
F(z)
y
z
F(z)
y
z
F(z)
y
–0,59
–0,58
–0,57
–0,56
–0,55
0,2776
0,2810
0,2843
0,2877
0,2912
0,3352
0,3372
0,3391
0,3410
0,3429
–0,14
–0,13
–0,12
–0,11
–0,10
0,4443
0,4483
0,4522
0,4562
0,4602
0,3951
0,3956
0,3961
0,3965
0,3970
0,31
0,32
0,33
0,34
0,35
0,6217
0,6255
0,6293
0,6331
0,6368
0,3802
0,3790
0,3778
0,3765
0,3752
–0,54
–0,53
–0,52
–0,51
–0,50
0,2946
0,2981
0,3015
0,3050
0,3085
0,3448
0,3467
0,3485
0,3503
0,3521
–0,09
–0,08
–0,07
–0,06
–0,05
0,4641
0,4681
0,4721
0,4761
0,4801
0,3973
0,3977
0,3980
0,3982
0,3984
0,36
0,37
0,38
0,39
0,40
0,6406
0,6443
0,6480
0,6517
0,6554
0,3739
0,3725
0,3712
0,3697
0,3683
–0,49
–0,48
–0,47
–0,46
–0,45
0,3121
0,3156
0,3192
0,3228
0,3264
0,3538
0,3555
0,3572
0,3589
0,3605
–0,04
–0,03
–0,02
–0,01
0,00
0,4840
0,4880
0,4920
0,4960
0,5000
0,3986
0,3988
0,3989
0,3989
0,3989
0,41
0,42
0,43
0,44
0,45
0,6591
0,6628
0,6664
0,6700
0,6736
0,3668
0,3653
0,3637
0,3621
0,3605
–0,44
–0,43
–0,42
–0,41
–0,40
0,3300
0,3336
0,3372
0,3409
0,3446
0,3621
0,3637
0,3653
0,3668
0,3683
0,01
0,02
0,03
0,04
0,05
0,5040
0,5080
0,5120
0,5160
0,5199
0,3989
0,3989
0,3988
0,3986
0,3984
0,46
0,47
0,48
0,49
0,50
0,6772
0,6808
0,6844
0,6879
0,6915
0,3589
0,3572
0,3555
0,3538
0,3521
–0,39
–0,38
–0,37
–0,36
–0,35
0,3483
0,3520
0,3557
0,3594
0,3632
0,3697
0,3712
0,3725
0,3739
0,3752
0,06
0,07
0,08
0,09
0,10
0,5239
0,5279
0,5319
0,5359
0,5398
0,3982
0,3980
0,3977
0,3973
0,3970
0,51
0,52
0,53
0,54
0,55
0,6950
0,6985
0,7019
0,7054
0,7088
0,3503
0,3485
0,3467
0,3448
0,3429
–0,34
–0,33
–0,32
–0,31
–0,30
0,3669
0,3707
0,3745
0,3783
0,3821
0,3165
0,3778
0,3790
0,3802
0,3814
0,11
0,12
0,13
0,14
0,15
0,5438
0,5478
0,5517
0,5557
0,5596
0,3965
0,3961
0,3956
0,3951
0,3945
0,56
0,57
0,58
0,59
0,60
0,7123
0,7157
0,7190
0,7224
0,7257
0,3410
0,3391
0,3372
0,3352
0,3332
–0,29
–0,28
–0,27
–0,26
–0,25
0,3859
0,3897
0,3936
0,3974
0,4013
0,3825
0,3836
0,3847
0,3857
0,3867
0,16
0,17
0,18
0,19
0,20
0,5636
0,5675
0,5714
0,5753
0,5793
0,3939
0,3932
0,3925
0,3918
0,3910
0,61
0,62
0,63
0,64
0,65
0,7291
0,7324
0,7357
0,7389
0,7422
0,3312
0,3292
0,3271
0,3251
0,3230
–0,24
–0,23
–0,22
–0,21
–0,20
0,4052
0,4090
0,4129
0,4168
0,4207
0,3876
0,3885
0,3894
0,3902
0,3910
0,21
0,22
0,23
0,24
0,25
0,5832
0,5871
0,5910
0,5948
0,5987
0,3902
0,3894
0,3885
0,3876
0,3867
0,66
0,67
0,68
0,69
0,70
0,7454
0,7486
0,7517
0,7549
0,7580
0,3209
0,3187
0,3166
0,3144
0,3123
–0,19
–0,18
–0,17
–0,16
–0,15
0,4247
0,4286
0,4325
0,4364
0,4404
0,3918
0,3925
0,3932
0,3939
0,3945
0,26
0,27
0,28
0,29
0,30
0,6026
0,6064
0,6103
0,6141
0,6179
0,3857
0,3847
0,3836
0,3825
0,3814
0,71
0,72
0,73
0,74
0,75
0,7611
0,7642
0,7673
0,7704
0,7734
0,3101
0,3079
0,3056
0,3034
0,3011
© Ediciones Pirámide
348 /
Introducción a la Psicometría
TABLA II (continuación)
z
F(z)
y
z
F(z)
y
z
F(z)
y
0,76
0,77
0,78
0,79
0,80
0,7764
0,7794
0,7823
0,7852
0,7881
0,2989
0,2966
0,2943
0,2920
0,2897
1,21
1,22
1,23
1,24
1,25
0,8869
0,8888
0,8907
0,8925
0,8944
0,1919
0,1895
0,1872
0,1849
0,1826
1,66
1,67
1,68
1,69
1,70
0,9515
0,9525
0,9535
0,9545
0,9554
0,1006
0,0989
0,0973
0,0957
0,0940
0,81
0,82
0,83
0,84
0,85
0,7910
0,7939
0,7967
0,7995
0,8023
0,2874
0,2850
0,2827
0,2803
0,2780
1,26
1,27
1,28
1,29
1,30
0,8962
0,8980
0,8997
0,9015
0,9032
0,1804
0,1781
0,1758
0,1736
0,1714
1,71
1,72
1,73
1,74
1,75
0,9564
0,9573
0,9582
0,9591
0,9599
0,0925
0,0909
0,0893
0,0878
0,0863
0,86
0,87
0,88
0,89
0,90
0,8051
0,8078
0,8106
0,8133
0,8159
0,2756
0,2732
0,2709
0,2685
0,2661
1,31
1,32
1,33
1,34
1,35
0,9049
0,9066
0,9082
0,9099
0,9115
0,1691
0,1669
0,1647
0,1626
0,1604
1,76
1,77
1,78
1,79
1,80
0,9608
0,9616
0,9625
0,9633
0,9641
0,0848
0,0833
0,0818
0,0804
0,0790
0,91
0,92
0,93
0,94
0,95
0,8186
0,8212
0,8238
0,8264
0,8289
0,2637
0,2613
0,2589
0,2565
0,2541
1,36
1,37
1,38
1,39
1,40
0,9131
0,9147
0,9162
0,9177
0,9192
0,1582
0,1561
0,1539
0,1518
0,1497
1,81
1,82
1,83
1,84
1,85
0,9649
0,9656
0,9664
0,9671
0,9678
0,0775
0,0761
0,0748
0,0734
0,0721
0,96
0,97
0,98
0,99
1,00
0,8315
0,8340
0,8365
0,8389
0,8413
0,2516
0,2492
0,2468
0,2444
0,2420
1,41
1,42
1,43
1,44
1,45
0,9207
0,9222
0,9236
0,9251
0,9265
0,1476
0,1456
0,1435
0,1415
0,1394
1,86
1,87
1,88
1,89
1,90
0,9686
0,9693
0,9699
0,9706
0,9713
0,0707
0,0694
0,0681
0,0669
0,0656
1,01
1,02
1,03
1,04
1,05
0,8438
0,8461
0,8485
0,8508
0,8531
0,2396
0,2371
0,2347
0,2323
0,2299
1,46
1,47
1,48
1,49
1,50
0,9279
0,9292
0,9306
0,9319
0,9332
0,1374
0,1354
0,1334
0,1315
0,1295
1,91
1,92
1,93
1,94
1,95
0,9719
0,9726
0,9732
0,9738
0,9744
0,0644
0,0632
0,0620
0,0608
0,0596
1,06
1,07
1,08
1,09
1,10
0,8554
0,8577
0,8599
0,8621
0,8643
0,2275
0,2251
0,2227
0,2203
0,2179
1,51
1,52
1,53
1,54
1,55
0,9345
0,9357
0,9370
0,9382
0,9394
0,1276
0,1257
0,1238
0,1219
0,1200
1,96
1,97
1,98
1,99
2,00
0,9750
0,9756
0,9761
0,9767
0,9772
0,0584
0,0573
0,0562
0,0551
0,0540
1,11
1,12
1,13
1,14
1,15
0,8665
0,8686
0,8708
0,8729
0,8749
0,2155
0,2131
0,2107
0,2083
0,2059
1,56
1,57
1,58
1,59
1,60
0,9406
0,9418
0,9429
0,9441
0,9452
0,1182
0,1163
0,1145
0,1127
0,1109
2,01
2,02
2,03
2,04
2,05
0,9778
0,9783
0,9788
0,9793
0,9798
0,0529
0,0519
0,0508
0,0498
0,0488
1,16
1,17
1,18
1,19
1,20
0,8770
0,8790
0,8810
0,8830
0,8849
0,2036
0,2012
0,1989
0,1965
0,1942
1,61
1,62
1,63
1,64
1,65
0,9463
0,9474
0,9484
0,9495
0,9505
0,1092
0,1074
0,1057
0,1040
0,1023
2,06
2,07
2,08
2,09
2,10
0,9803
0,9808
0,9812
0,9817
0,9821
0,0478
0,0468
0,0459
0,0449
0,0440
© Ediciones Pirámide
Tablas estadísticas
/ 349
TABLA II (continuación)
z
F(z)
y
z
F(z)
y
z
F(z)
y
2,11
2,12
2,13
2,14
2,15
0,9826
0,9830
0,9834
0,9838
0,9842
0,0431
0,0422
0,0413
0,0404
0,0396
2,41
2,42
2,43
2,44
2,45
0,9920
0,9922
0,9925
0,9927
0,9929
0,0219
0,0213
0,0208
0,0203
0,0198
2,71
2,72
2,73
2,74
2,75
0,9966
0,9967
0,9968
0,9969
0,9970
0,0101
0,0099
0,0096
0,0093
0,0091
2,16
2,17
2,18
2,19
2,20
0,9846
0,9850
0,9854
0,9857
0,9861
0,0387
0,0379
0,0371
0,0363
0,0355
2,46
2,47
2,48
2,49
2,50
0,9931
0,9932
0,9934
0,9936
0,9938
0,0194
0,0189
0,0184
0,0180
0,0175
2,76
2,77
2,78
2,79
2,80
0,9971
0,9972
0,9973
0,9974
0,9974
0,0088
0,0086
0,0084
0,0081
0,0079
2,21
2,22
2,23
2,24
2,25
0,9864
0,9868
0,9871
0,9875
0,9878
0,0347
0,0339
0,0332
0,0325
0,0317
2,51
2,52
2,53
2,54
2,55
0,9940
0,9941
0,9943
0,9945
0,9946
0,0171
0,0167
0,0163
0,0158
0,0154
2,81
2,82
2,83
2,84
2,85
0,9975
0,9976
0,9977
0,9977
0,9978
0,0077
0,0075
0,0073
0,0071
0,0069
2,26
2,27
2,28
2,29
2,30
0,9881
0,9884
0,9887
0,9890
0,9893
0,0310
0,0303
0,0297
0,0290
0,0283
2,56
2,57
2,58
2,59
2,60
0,9948
0,9949
0,9951
0,9952
0,9953
0,0151
0,0147
0,0143
0,0139
0,0136
2,86
2,87
2,88
2,89
2,90
0,9979
0,9979
0,9980
0,9981
0,9981
0,0067
0,0065
0,0063
0,0061
0,0060
2,31
2,32
2,33
2,34
2,35
0,9896
0,9898
0,9901
0,9904
0,9906
0,0277
0,0270
0,0264
0,0258
0,0252
2,61
2,62
2,63
2,64
2,65
0,9955
0,9956
0,9957
0,9959
0,9960
0,0132
0,0129
0,0126
0,0122
0,0119
2,91
2,92
2,93
2,94
2,95
0,9982
0,9982
0,9983
0,9984
0,9984
0,0058
0,0056
0,0055
0,0053
0,0051
2,36
2,37
2,38
2,39
2,40
0,9909
0,9911
0,9913
0,9916
0,9918
0,0246
0,0241
0,0235
0,0229
0,0224
2,66
2,67
2,68
2,69
2,70
0,9961
0,9962
0,9963
0,9964
0,9965
0,0116
0,0113
0,0110
0,0107
0,0104
2,96
2,97
2,98
2,99
3,00
0,9985
0,9985
0,9986
0,9986
0,9987
0,0050
0,0048
0,0047
0,0046
0,0044
© Ediciones Pirámide
Referencias bibliográficas
Abad, F. J., Olea, J., Ponsoda, V. y García, C. (2011).
Medición en ciencias sociales y de la salud. Madrid:
Síntesis.
Ackerman, T. A. (2005). Multidimensional item response
theory modeling. En J. McArdle y A. Maydeu (eds.),
Festschrift for Roc McDonald. Hillsdale. Nueva York:
Erlbaum.
Adams, R. J., Wu, M. L. y Wilson, M. R. (2015). ACER
ConQuest: Generalised Item Response Modelling
Software [computer software]. Version 4. Camberwell, Victoria: Australian Council for Educational
Research. https://www.acer.org/conquest.
Aiken, L. R. (1980). Content validity and reliability of
single items or questionnaires. Educational and
Psychological Measurement, 40, 955-959.
Albanese, M. A. (1986). The correction for guessing: A
further analysis of Angoff and Schrader. Journal of
Educational Measurement, 23 (3), 225-235.
Allalouf, A. y Shakhar, G. B. (1998). The effect of coaching on the predictive validity of scholastic aptitude
tests. Journal of Educational Measurement, 35, 31-47.
Allen, D. D., Ni, P. y Haley, S. M. (2008). Efficiency and
sensitivity of multidimensional computerized adaptive testing of pediatric physical functioning. Disability and Rehabilitation, 30, 479-484.
Allen, M. J. y Yen, W. M. (1979). Introduction to Measurement Theory. Monterrey, CA: Brooks/Cole Publishing Company.
Alliger, G. M., Lilienfeld, S. O. y Mitchell, K. E. (1996).
The susceptibility of overt and covert integrity tests to
coaching and faking. Psychological Science, 7, 32-39.
American Educational Research Association, American
Psychological Association y National Council on
Measurement in Education (1954, 1966, 1974, 1985,
1999, 2014). Standards for educational and psychological testing. Washington, DC: APA.
American Federation of Teachers, National Council on
Measurement in Education y National Education
Association (1990). Standards for teacher competence
in educational assessment of students. Washington,
DC: Autor.
American Psychological Association (1954). Technical recommendations for psychological tests and diagnostic
techniques. Washington, DC: Autor.
American Psychological Association (1996). Statement
on the disclosure of test data. American Psychologist,
51, 644-648.
American Psychological Association (2017). Ethical principles of psychologists and code of conduct. Washington, DC: APA.
Amón, J. (1984). Estadística para psicólogos (2 vols.). Madrid: Pirámide.
Anastasi, A. (1981). Coaching, test sophistication, and de­
ve­loped abilities. American Psychologist, 36, 1086-1093.
Anastasi, A. (1988). Psychological testing (2.a ed.). Nueva
York: MacMillan.
Anastasi, A. y Urbina, S. (1997). Psychological testing (7.a
ed.). Upper Saddle River, NJ: Prentice-Hall.
Anderberg, M. R. (1973). Cluster Analysis for Applications. Nueva York: Academic Press.
Andrich, D. (1988). Rasch models for measurement. Beverly Hills, CA: Sage.
Angoff, W. H. (1971). Scales, norms, and equivalent scores. En R. L. Thorndike (ed.), Educacional mesurement (2.a ed.). Washington, DC: American Council
on Education.
Angoff, W. H. (1982a). Summary and derivation of equating methods used at ETS. En P. W. Holland y D. R.
Rubin (eds.), Test Equating. Nueva York: Academic
Press.
Angoff, W. H. (1982b). Use of difficulty and discrimination indices for detecting item bias. En R. A. Berk
(ed.), Handbook of methods for detecting test bias.
Baltimore, MD: The Johns Hopkins University Press.
Angoff, W. H. (1984). Scales, norms and equivalent scores.
Princeton, NJ: Educational Testing Service.
Angoff, W. H. y Ford, S. F. (1973). Item-race interaction
on a test of scholastic aptitude. Journal of Educational Measurement, 10, 95-105.
Angoff, W. H. y Schrader, W. B. (1984). A study of hypotheses basic to the use of rights and formula scores.
Journal of Educacional Measurement, 21, 1-17.
352 /
Referencias bibliográficas
Angoff, W. H. y Schrader, W. B. (1986). A rejoinder to
Albanese, «The correction for guessing: A further
analysis of Angoff and Schrader». Journal of Educational Measurement, 23 (3), 237-243.
Ansley, T. N. y Forsyth, R. A. (1985). An examination of
the characteristics of unidimensional IRT parameter
estimates derived from two dimensional data. Applied
Psychological Measurement, 9 (1), 37-48.
Applied Psychological Measurement (1982). Número monográfico sobre TRI, 6 (4), 373-495.
Applied Psychological Measurement (1987). Special series:
problems, perspectives and practical issues in equating, 11 (3).
Arendasy, M., Sommer, M., Herle, M., Schützhofer, B. e
Inwanschitz, D. (2011). Modeling effects of faking
on an objective personality test. Journal of Individual
Differences, 32, 210-218.
Armayones, M., Boixadós, M., Gómez, B., Guillamón,
N., Hernández, E., Nieto, R., Pousada, M. y Sara, B.
(2015). Psicología 2.0: Oportunidades y retos para el
profesional de la psicología en el ámbito de la e-salud. Papeles del Psicólogo, 36 (2), 153-160.
Armor, D. J. (1974). Theta reliability and factor scaling.
En H. L. Costner (ed.), Sociological Methodology.
San Francisco, CA: Jossey Bass.
Ascalon, M. E., Meyers, L. S., Davis, B. W. y Smits, N.
(2007). Distractor similarity and item-stem structure:
Effects on item difficulty. Applied Measurement in
Education, 20 (2), 153-170.
Assessment Systems Corporation (1988). User’s manualfor de MicroCAT testing system (version 3). St. Paul,
MN: Autor.
Atkinson, R. C. (ed.) (1964). Studies in Mathematical
Psychology. Stanford: Stanford University Press.
Ato, M. (1991). Investigación en ciencias del comportamiento. Barcelona: PPU.
Ayala, R. J. (2009). The theory and practice of item response theory. Nueva York: Guilford Press.
Baker, F. B. (1981). A criticism of Scheuneman’s items
bias technique. Journal of Educational Measurement,
18, 59-62.
Baker, F. B. (1985). The Basis of Item Response Theory.
Portsmouth, NH: Heineman.
Baker, F. B. (1987). Item parameter estimation under the
one, two and three parameter logistic models. Applied
Psychological Measurement, 11 (2), 111-141.
Baldwin, D., Fowles, M. y Livingston, S. (2005). Guidelines for constructed-response and other performance
assessments. Princeton, NJ: Educational Testing Service.
Barbero, M. (1996). Bancos de ítems. En J. Muñiz
(coord.), Psicometría. Madrid: Universitas.
Barbero, M. I. (1999). Gestión informatizada de bancos
de ítems. En J. Olea, V. Ponsoda y G. Prieto (eds.),
Tests informatizados: fundamentos y aplicaciones.
Madrid: Pirámide.
Barnhart, H. X., Haber, M. y Song, J. (2002). Overall
concordance correlation coefficient for evaluating
agreement among multiple observers. Biometrics, 58,
1020-1027.
Barrada, J. R. (2012). Tests adaptativos informatizados:
una perspectiva general. Anales de Psicología, 28 (1),
289-302.
Barth, J. A. (2007). Automatic processes in social thinking
and behavior. Nueva York: Psychology Press.
Barton, M. A. y Lord, F. M. (1981). An upper asymptote for the three parameter logistic item response model. Research Bulletin. Princeton, NJ: Educational
Testing Service.
Bartram, D. (1996). Tests qualifications and test use in
UK: The competence approach. European Journal of
Psychological Assessment, 12 (1), 62-71.
Bartram, D. (1998). The need for international guidelines on
standards for test use: A review of European and international initiatives. European Psychologist, 2, 155-163.
Bartram, D. y Coyne, I. (1998). Variation in national patterns of testing and test use: The ITC/EFPPA international survey. European Journal of Psycological
Assessment, 14, 249-260.
Bartram, D. y Hambleton, R. K. (2006). Computer-based
testing and the Internet: Issues and advances. Chichester, Inglaterra: Wiley.
Baydar, N. (1990). Effects of coaching on the validity of
the SAT: Resu1ts of a simulation study. En W. W.
Wilingham, C. Lewis, R. Morgan y L. Ramist (eds.),
Predicting colleye grades: An analysis of institutional
trends over two decades. Princeton, NJ: Educational
Testing Service.
Behavioral and Brain Sciences (1980), 3, 325-371.
Bell, R. y Lumsden, J. (1980). Test length and validity.
Applied Phychological Measurement, 4 (2), 165-170.
Bennett, R. E. (1999). Using new technology to improve
assessment. Educational Measurement: Issues and
practice, 18 (3), 5-12.
Bennett, R. E. (2006). Inexorable and inevitable: The continuing story of technology and assessment. En D.
Bartram y R. K. Hambleton (eds.), Computer-based
testing and the internet: Issues and advances. Chichester, Inglaterra: Wiley.
Bergstrom, B. A. y Gershon, R. C. (1995). Item banking.
En J. C. Impara (ed.), Licensure testing: Purposes,
procedures, and practices. Lincoln, NE: Buros.
Berk, R. A. (1976). Determination of optimal cutting
scores in criterion-referenced measurement. Journal
of Experimental Education, 15 (4), 4-9.
Berk, R. A. (1976). Determination of optimal cutting
scores in criterion-referenced measurement. Journal
of Experimental Education, 45 (2), 4-9.
© Ediciones Pirámide
Referencias bibliográficas
Berk, R. A. (ed.) (1982). Handbook of methods for detecting test bias. Baltimore, MD: The Johns Hopkins
University Press.
Berk, R. A. (ed.) (1984a). A guide to criterion-referenced
test construction (2.a ed.). Baltimore, MD: The Johns
Hopkins University Press.
Berk, R. A. (1984b). Selecting the index of reliability. En
R. A. Berk (ed.), A guide to criterion-referenced test
construction. Baltimore, MD: The Johns Hopkins
University Press.
Berk, R. A. (1986). A consumer’s guide to setting performance standards on criterion referenced tests. Review
of Educational Research, 56 (1), 137-172.
Berk, R. A. (1996). Standard setting; the next generation
(Where few psychometricians have gone before).
Applied Measurement in Education, 9 (3), 21 5-235.
Beuk, C. H. (1984). A method for reaching a compromise
between absolute and relative standards in examinations. Journal of Educationaf Measurement, 21, 147-152.
Binet, A. y Simon, T. H. (1905a). Sur la necessité d’établir
un diagnostic scientifique des états inférieurs de
l’intelligence. L’Année Psychologique, 11, 163-190.
Binet, A. y Simon, T. H. (1905b). Méthodes nouvelles
pour le diagnostic du niveau intellectuel des anormaux. L’Année Psychologique, 11, 191-244.
Binet, A. y Simon, T. H. (1908). Le développement de
l’intelligence chez les enfants. L’Année Psychologique,
14, 1-94.
Birnbaum, A. (1957). Efficient design and use of tests of
ability for various decision-making problems. Series
report n.o 58-16. Proyect n.o 7755-23. USAF School
of Aviation Medicine.
Birnbaum, A. (1958a). On the estimation of mental ability. Series report, n.o 15. Proyect n.o 7755-23. USAF
School of Aviation Medicine.
Birnbaum, A. (1958b). Further considerations of efficiency in tests of a mental ability. Technical Report n.o 17,
Project n.o 7755-23. Randolph Air Force Base, TX:
USAF School of Aviation Medicine.
Birnbaum, A. (1968). Some latent trait models and their
use in inferring a examinee’s ability. En F. M. Lord y
M. Novick, Statistical theories of mental test scores.
Reading, MA: Addison-Wesley.
Bishop, N. S. y Davis-Becker, S. (2016). Preparing examinees for test taking. En S. Lane, M. R. Raymond y
T. M. Haladyna (eds.), Handbook of test development.
Nueva York: Routledge.
Blanco, M. (1996). Psicofísica. Madrid: Universitas.
Bobko, P. (1986). A solution to some dilemmas when testing hypotheses about ordinal interactions. Journal of
Applied Psychology, 71, 323-326.
Bock, R. D. (1972). Estimating item parameters and latent ability when responses are scored in two or more
nominal categories. Psychometrika, 37, 29-51.
© Ediciones Pirámide
/ 353
Bock, R. D. (1997). A brief history of item response
theory. Educational Measurement: Issues and Practice, 16 (4), 21-33.
Bock, R. D. y Aitkin, M. (1981). Marginal maximum likelihood estimation of item parameters: An application
of an EM algorithm. Psychometrika, 46, 443-459.
Bock, R. D. y Wood, R. (1971). Test theory. Annual Review of Psychology, 22, 193-224.
Boring, E. G. (1950). A History of Experimental Psychology. Nueva York: Appleton (traducción española:
México, Trillas, 1978).
Borsboom, D. y Cramer, A. O. J. (2013). Network analysis: An integrative approach to the structure of
psychopathology. Annual Review of Clinical Psychology, 9, 91-121.
Borsboom, D. (2005). Measuring the mind. Conceptual
issues in contemporary psychometrics. Nueva York:
Cambridge University Press.
Box, G. E. P. y Draper, N. R. (1987). Empirical model
building and response surfaces. Nueva York: John Wiley and Sons.
Breithaupt, K. J., Mills, C. N. y Melican, G. J. (2006).
Facing the opportunities of the future. En D. Bartram y R. K. Hambleton (eds.), Computer-based testing and the Internet (pp. 219-251). Chichester, Inglaterra: John Wiley and Sons.
Brennan, R. L. (1980). Applications of generalizability
theory. En R. A. Berk (ed.), A guide to criterion-referenced test construction. Baltimore, MD: The Johns
Hopkins University Press.
Brennan, R. L. (1983). Elements of Generalizability
Theory. Iowa City, IA: American College Testing
Program.
Brennan, R. L. (1987). Introduction to problems, perspectives and practical issues in equating. Applied
Psychological Measurement, 11 (3), 221-224.
Brennan, R. L. (1998). Misconceptions at the intersection
of measurement theory and practice. Educational
Measurement: Issues and Practice, 17, 5-9.
Brennan, R. L. (2001). Generalizability theory. Nueva
York: Springer.
Brennan, R. L. (2001). Some problems, pitfalls, and paradoxes in educational measurement. Educational
Measurement: Issues and Practice, 20 (4), 6-18.
Brennan, R. L. (ed.) (2006). Educational measurement.
Westport, CT: Praeger.
Brennan, R. L. y Kane, M. T. (1977). An index of dependability for mastery tests. Journal of Educational
Measurement, 14, 277-289.
Brennan, R. L. y Prediger, D. J. (1981). Coefficient kappa:
Some uses, misuses and alternatives. Educational and
Psychological Measurement, 41, 687-699.
Briesch, A. M., Swaminathan, H., Welsh, M. y Chafouleas, S. M. (2014). Generalizability theory: A practi-
354 /
Referencias bibliográficas
cal guide to study design, implementation, and interpretation. Journal of School Psychology, 52, 13-35.
Brown, A. y Maydeu-Olivares, A. (2013). How IRT can
solve problems of ipsative data in forced-choice questionnaires. Psychological Methods, 18, 36-52.
Brown, F. G. (1983). Principles of Education and Psychology Testing. Nueva York: Holt, Rinehart and Winston.
Brown, T. A. (2006). Confirmatory factor analysis for
applied research (2.a ed.). Nueva York: Guilford Press.
Brown, T. A. (2015). Confirmatory factor analysis for
applied research (2.a ed.). Nueva York: Guilford Press.
Browne, M. W. (1984). The decomposition of multitraitmultimethod matrices. British Journal of Mathematical and Statistical Psychology, 37, 1-21.
Buckendahl, C. W. y Plake, B. S. (2006). Evaluating tests.
En S. M. Downing y T. M. Haladyna (eds.), Handbook of test development. Mahwah, NJ: Lawrence
Erlbaum Associates.
Budescu, D. V. y Nevo, B. (1985). Optimal number of
options: An investigation of the assumption of proportionality. Journal of Educational Measurement, 22
(3), 183-196.
Burt, C. (1941). The Factors of the Mind. Nueva York:
McMillan.
Burt, C. (1955). The reliability estimated by analysis of
variance. British Journal of Statistical Psychology, 8,
103-118.
Byrne, B. M., Leong, F. T., Hambleton, R. K., Oakland,
T., Van de Vijver, F. J. y Cheung, F. M. (2009). A
critical analysis of cross-cultural research and testing
practices: Implications for improved education and
training in psychology. Training and Education in
Professional Psychology, 3 (2), 94-105.
Cai, L. (2013). FlexMIRT: Flexible multilevel multidimensional item analysis and test scoring. Chapel Hill, NC:
Vector Psychometric Group.
Cai, L., Thissen, D. y Du Toit, S. (2011). IRTPRO: Flexible,
multidimensional, multiple categorical IRT modeling.
Lincolnwood, IL: Scientific Software International.
Calero, D. y Padilla, J. L. (2004). Técnicas psicométricas:
los tests. En R. Fernández-Ballesteros (ed.), Evaluación psicológica: conceptos, métodos y estudio de casos
(pp. 323-355). Madrid: Pirámide.
Camilli, G. (1979). A critique of the chi-square method
of assessing ítem bias. Laboratory of educational research. University of Colorado: Boulder.
Camilli, G. (2006). Test fairness. En R. L. Brennan (ed.),
Educational measurement. Westport, CT: American
Council on Education.
Camilli, G. y Shepard, L. A. (1994). Methods for identifying biased test items. Thousand Oaks, CA: Sage.
Campbell, D. T. y Fiske, D. W. (1959). Convergent and
discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56, 81-105.
Carifio, J. y Perla, R. J. (2007). Ten common misunderstandings, misconceptions, persistent myths and urban legends about Likert scales and Likert response
formats and their antidotes. Journal of Social Sciences, 3 (3), 106-116.
Carlson, J. E. (1987). Multidimensional item response
theory estimation: A computer program (Research Report ONR87-2). Iowa City, IA: Ame­rican College
Testing.
Carmines, E. G. y Zeller, R. A. (1979). Reliability and
Validity Assessment. Londres: Sage.
Carretero, H. y Pérez, C. (2005). Normas para el desarrollo y revisión de estudios instrumentales. International Journal of Clinical and Health Psychology, 5, 521551.
Carroll, J. B. (1961). The nature of the data, or how to
choose a correlation coefficient. Psychometrika, 26,
4, 347-372.
Carver, R. P. (1970). Special problems in measuring change with psychometric device. En Evaluative research:
Strategies and methods. Pittsburgh, PA: American
Institutes for Research.
Cattell, J. M. (1890). Mental tests and measurements.
Mind, 15, 373-380.
Chen, F. F., Hayes, A., Carver, C. S., Laurenceau, J. P. y
Zhang, Z. (2012). Modeling general and specific variance in multifaceted constructs: A comparison of
the bifactor model to other approaches. Journal of
Personality, 80 (1), 219-251.
Chen, W. H. y Thissen, D. (1997). Local dependence indexes for item pairs using item response theory. Journal of Educational and Behavioral Statistics, 22 (3),
265-289.
Chernyshenko, O. S. y Stark, S. (2016). Mobile psychological assessment. En F. Drasgow (ed.), Technology
and Testing. Nueva York: Routledge.
Chien, T. W., Wu, H. M., Wang, W. C., Castillo, R. V. y
Chou, W. (2009). Reduction in patient burdens with
graphical computerized adaptive testing on the ADL
scale: Tool development and simulation. Health and
Quality of Life Outcomes, 5, 7-39.
Chopin, B. H. (1976). Recent developments in item banking: A review. En D. N. M. Gruijter y L. J. T. van
der Kamp (eds.), Advances in psychological and educational measurement. Nueva York: Wiley.
Cizek, G. J. (1996). Setting passing scores. Educational
Measurement: Issues and practice, 15 (2), 20-31.
Cizek, G. J. (ed.) (2012). Setting performace standards:
Foundations, methods and innovations. Nueva York:
Routledge.
Cizek, G. J. y Bunch, M. (2007). Standard setting: A
practitioner’s guide to establishing and evaluating performance standard on tests. Thousand Oaks, CA:
Sage.
© Ediciones Pirámide
Referencias bibliográficas
Clark, L. A. y Watson, D. (1995). Constructing Validity:
Basic issues in objective scale development. Psychological Assessment, 7, 309-319.
Clauser, B. E. y Clyman, S. G. (1994). A contrastinggroups approach to standard setting for performance
assessments of clinical skills. Academic Medicine, 69
(10), 42-44.
Cohen, J. (1960). A coefficient of agreement for nominal
scales. Educational and Psychological Measurement,
20, 37-46.
Cohen, J. (1968). Weighted Kappa: Nominal scale agreement with provision for scaled de sagreement or partial credit. Psychological Bulletin, 70, 213-220.
Cohen, J. y Cohen, P. (1983). Applied Multiple Regression
and Correlation Analysis for the Behavioral Sciences.
Hillsdale, NY: LEA.
Colom, B. R. (1995). Tests, inteligencia y personalidad.
Madrid: Pirámide.
Colom, R. (2002). En los límites de la inteligencia. Madrid: Pirámide.
Couper, M. P., Tourangeau, R. y Conrad, F. G. (2006).
Evaluating the effectiveness of visual analog scales:
A web experiment. Social Science Computer Review,
24 (2), 227-245.
Conger, A. J. (1974). A revised definition for suppresor
variables: A guide to their identification and interpretation. Educational and Psychological Measurement,
34, 35-46.
Coombs, C. H., Dawes, R. M. y Tversky, A. (1981). Introducción a la psicología matemática. Madrid: Alianza
(orig. 1970).
Crocker, L. (2006). Preparing examinees for test taking:
Guidelines for test developers and test users. En S. M.
Downing y T. M. Haladyna (eds.), Handbook of test
development. Mahwah, NJ: Lawrence Erlbaum Associates.
Crocker, L. y Algina, J. (1986). Introduction to classical
and modern test theory. Nueva York: Holt, Rinehart
and Winston.
Cronbach, L. J. (1947). Test reliability: Its meaning and
determination. Psychometrika, 12, 1-16.
Cronbach, L. J. (1951). Coefficient alpha and the internal
structure of tests. Psychometrika, 16, 297-334.
Cronbach, L. J. (1957). The two disciplines of scientific
psychology. American Psychologist, 12, 671-684.
Cronbach, L. J. (1975). Five decades of public controversy over mental testing. American Psychologist, 30,
1-14.
Cronbach, L. J. (1975). Beyond the two disciplines of
scientific psychology. American Psychologist, 33, 116127.
Cronbach, L. J. (1987). Statistical test for moderator variables: Flaws in analyses recently proposed. Psychological Bulletin, 102 (3), 414-417.
© Ediciones Pirámide
/ 355
Cronbach, L. I. y Furby, L. (1970). How we should measure «change» or should we? Psychological Bulletin,
74, 68-80.
Cronbach, L. J. y Glesser, G. C. (1965). Psychological
Tests and Personnel Decisions. Urbana, IL: University of Illinois Press.
Cronbach, L. J. y Meehl, P. E. (1955). Construct validity
in psychological tests. Psychological Bulletin, 52, 281302.
Cronbach, L. J. y Warrington, W. G. (1951). Time-limit
tests: Estimating their reliability and degree of speed.
Psychometrika, 16, 167-188.
Cronbach, L. J., Gleser, G. C., Nanda, H. y Rajaratnarn,
N. (1972). The dependability of behavioral measurement: Theory of generalizability for scores and profiles. Nueva York: Wiley.
Cronbach, L. J., Rajaratnam, N. y Gleser, G. C. (1963).
Theory of Generalizability: A liberalization of reliability theory. The British Journal of Statistical Psychology, 16, 2, 137-163.
Cuesta, M. (1996). Unidimensionalidad. En J. Muñiz
(ed.), Psicometría (pp. 239-291). Madrid: Universitas.
Cureton, E. E. (1951). En E. F. Lindquist (ed.), Educational measurement (pp. 621-694). Washington, DC:
American Council on Education.
Davey, T. (2011). Practical considerations in computer-based
testing. Princeton, NJ: Educational Testing Service.
Dawes, R. M. (1972). Fundamentals of Attitude Measurement. Nueva York: Wiley.
De Finetti, B. (1965). Methods for discriminating levels
of partial knowledge concerning a test item. British
Journal of Mathematical and Statistical Psychology,
18, 87-123.
De Gruijter, D. N. (1980). Accounting for uncertainty in
performance standards. Documento ERIC, núm. ED
199 280.
De Gruijter, D. N. (1985). Compromise methods for establishing examination standards. Journal of Educational Measurement, 22, 263-269.
Delgado, A. R. y Prieto, G. (1998). Further evidence favoring three-option items in multiple-choice tests.
European Journal of Psycholoyical Assessment, 14 (3),
197-201.
Deng, N. (2009). References of non-nommercial software
for IRT analyses. Center for Educational Assessment
Research Report, núm. 699. Amherst, MA: University of Massachusetts.
Deng, N. y Hambleton, R. K. (2007). 20 Software packages for assessing test dimensionality. Amherst, MA:
University of Massachusetts.
Deville, C. W. (1996). An empirical link of content and
construct equivalence. Applied Psychological Measurement, 20, 127-139.
356 /
Referencias bibliográficas
Diamond, J. y Evans, W. (1973). The correction for guessing. Review of Educacional Research, 43, 181-191.
Dillman, D. A., Smyth, J. D. y Christian, L. M. (2009).
Internet, mail and mixed-mode surveys: The trailored design method, Hoboken, NJ: John Wiley &
Sons.
Donlon, T. (1978). An Exploratory Study of the Implications of Test Speededness. Princeton, NY: Educational Testing Service.
Dorans, N. J. y Cook, L. (eds.) (2016). Fairness in Educational Assessment and Measurement. Nueva York:
Taylor y Francis.
Dorans, N. J. y Holland, P. W. (1993). DIF detection and
description: Mantel-Haenszel and Standardization.
En P. W. Holland y H. Wainer (eds.), Differential item
funtioning. Hillsdale, NJ: LEA.
Douglas, J. y Cohen, A. S. (2001). Nonparametric item
response function estimation for assessing parametric
model fit. Applied Psychological Measurement, 25,
234-243.
Downing, S. M. (2006). Selected-response item formats in
test development. En S. M. Downing y T. M. Haladyna (eds.), Handbook of test development. Mahwah, NJ: Erlbaum.
Downing, S. M. (2006). Twelve steps for effective test development. En S. M. Downing y T. M. Haladyna
(eds.), Handbook of test development (pp. 3-25). Mah­
wah, NJ: Lawrence Erlbaum Associates.
Downing, S. M. y Haladyna, T. M. (2006). Handbook of
test development. Mahwah, NJ: Lawrence Erlbaum
Associates.
Draper, N. R. y Smith, H. (1981). Applied Regression
Analysis (2.a ed.). Nueva York: Wiley.
Drasgow, F. (ed.) (2016). Technology and testing. Nueva
York: Routledge.
Drasgow, F. y Parsons, C. K. (1983). Applications of unidimensional item response theory models to multidimensional data. Applied Psychological Measurement,
7, 189-199.
Drasgow, F., Luecht, R. M. y Bennett, R. E. (2006).
Tech­nology and testing. En R. L. Brennan (ed.), Educational measurement. Westport, CT: ACE/Praeger.
Du Bois, P. H. (1970). A History of Psycholoyical Testing.
Boston: Allyn and Bacon.
Dunbar, S. B. y Ordman, V. L. (2003). Validity: Criterionrelated. En R. Fernández Ballesteros (ed.), Encyclopedia of Psychological Assessment (pp. 1078-1082).
Londres: Sage Publications.
Dunlap, W. P. y Kemery, E. R. (1987). Failure to detect
moderating effects: Is multicollinearity the problem?
Psychological Bulletin, 102 (3), 418-420.
Dunnete, D. y Borman, W. C. (1979). Personnel selection
and classification systems. Annual Review of Psychology, 30, 477-525.
Ebel, R. L. (1951). Writing the test item. En E. F. Lindquist (ed.), Educational Measurement (pp. 185-249).
Washington, DC: American Council on Education.
Ebel, R. L. (1972). Essentials of Educacional Measurement (2.a ed.). Englewood Cliffs, NJ: Prentice-Hall.
Educational Measurement: Issues and Practice (1987), 6 (2).
Número especial dedicado a la estrategia «Golden
Rule».
Egan, J. P. (1975). Signal detection theory and ROC analysis. Nueva York: Academic Press.
Elosua, P. (2003). Sobre la validez de los tests. Psicothema, 15, 315-321.
Elosua, P. (2009). ¿Existe vida más allá de SPSS? Descubre R. Psicothema, 21 (4), 652-665.
Elosua, P. y Geisinger, K. F. (2016). Cuarta evaluación de
tests editados en España: forma y fondo. Papeles del
Psicólogo, 37, 82-88.
Elosua, P. y López, A. (2002). Indicadores de dimensionalidad para ítems binarios. Metodología de las Ciencias del Comportamiento, 4, 121-137.
Elosua, P. y Zumbo, B. (2008). Coeficientes de fiabilidad
para escalas de respuesta categórica ordenada. Psicothema, 20, 896-901.
Embretson, S. y Reise, S. (2000). Item response theory for
psychologists. Mahwah, NJ: LEA.
Erceg-Hurn, D. M. y Mirosevich, V. M. (2008). Modern
robust statistical methods: An easy way to maximize
the accuracy and power of your research. American
Psychologist, 63, 591-601.
Estes, W. K. (1975). Some targets for mathematical
psychology. Journal of Mathematical Psychology, 12,
263-282.
European Federation of Professional Psychologists Association (1996). Meta-Code of Ethics. European Psychologist, 1, 151-154.
Everitt, B. S. (1974). Cluster Analysis. Londres: Halstead
Press.
Everitt, B. S. (1977). The Analysis of Contingency Tables.
Londres: Halstead Press.
Evers, A. (1996). Regulations concerning test qualifications and test use in The Netherlands. European Journal of Psychological Assessment, 12, 153-159.
Evers, A., McCormick, C., Hawley, L., Muñiz, J. et al.
(2017). Testing practices and attitudes toward tests
and testing: An international survey. International
Journal of Testing, 17, 158-190.
Evers, A., Sijtsma, K., Lucassen, W. y Meijer, R. R.
(2010). The Dutch Review Process for Evaluating the
Quality of Psychological Tests: History, Procedure,
and Results. International Journal of Testing, 10, 295317.
Faggen, J. (1994). Settiny standards for constructed response tests: An overview. Princeton, NJ: Educational
Testing Service.
© Ediciones Pirámide
Referencias bibliográficas
Faulkner-Bond, M. y Wells, C. S. (2016). A brief history
of and introduction to item response theory. En C. S.
Wells y M. Faulkner-Bond (eds.), Educational measurement: From foundations to future. Nueva York:
Guilford Press.
Fazio, R. H. y Olson, M. A. (2003). Implicit measures in
social cognition research: Their meaning and use. Annual Review of Psychology, 54, 297-327.
Feldt, L. S. (1965). The approximate sampling distribution of Kuder-Richardson reliability coefficient twenty. Psychometrika, 30, 357-370.
Feldt, L. S. (1969). A test of the hypothesis that Cronbach’s
alpha or Kuder-Richardson coefficient twenty is the
same for two test. Psychometrika, 34, 363-373.
Feldt, L. S. (1980). A test of the hypothesis that Cronbach
Alpha reliability coefficient is the same for two tests
administered to the same sample. Psychometrika, 45,
99-105.
Feldt, L. S. y Qualls, A. L. (1996). Estimation of measurement error variance at specific score levels. Journal
of Educational Measurement, 33, 141-156.
Feldt, L. S., Steffan, M. y Gupta, N. C. (1985). A comparison of five methods for estimating the standard
error of measurement at specific score levels. Applied
Psychological Measurement, 9, 351-361.
Feldt, L. S., Woodruff, D. J. y Salih, F. A. (1987). Statistical inference for coefficíent alpha. Applied Psychological Measurement, 11 (1), 93-103.
Ferguson, G. A. (1942). Item selection by the constant
process. Psychometrika, 7, 19-29.
Fernández-Ballesteros, R., De Bruyn, E. E. J., Godoy, A.,
Hornke, L. F., Ter Laak, J., Vizcarro, C., Westhoff,
K., Westmeyer, H. y Zaccagnini, J. (2003). Guías
para el proceso de evaluación (GAP): una propuesta
a discusión. Papeles del Psicólogo, 23 (84), 58-70.
Ferrando, P. J. y Anguiano, C. (2010). El análisis factorial
como técnica de investigación en psicología. Papeles
del Psicólogo, 31, 18-33.
Ferrando, P. J. y Lorenzo-Seva, U. (2017). Program FACTOR at 10: Origins, development and future directions. Psicothema, 29 (2), 236-240.
Fidalgo, A. (1996). Funcionamiento diferencial de los
ítems. En J. Muñiz (ed.), Psicometría. Madrid: Universitas.
Fidalgo, A. y Muñiz, J. (2002). Investigaciones actuales
sobre el funcionamiento diferencial de los ítems.
Metodología de las Ciencias del Comportamiento, 4,
55-66.
Fienberg, S. (1977). The Analysis of Cross-classified Categorical Data. Cambridge, MA: MIT Press.
Fitzpatrick, A. R. (1989). Social influences in standardsetting: The effects of social interaction on group
judgments. Review of Educational Research, 59, 315328.
© Ediciones Pirámide
/ 357
Flanagan, J. C. (1937). A note on calculating the standard error of measurement and reliability coefficients
with the test scoring machine. Journal of Applied
Psychology, 23, 529.
Fleiss, J. L., Cohen, J. y Everitt, B. S. (1969). Large sample standard errors of Kappa and weighted Kappa.
Psychological Bulletin, 72, 323-327.
Fonseca, E. (2017). Análisis de redes: ¿una nueva forma de
comprender la psicopatología? Revista de Psiquiatría y
Salud Mental. https://doi.org/10.1016/j.rpsm.2017.
06.004.
Fonseca, E., Menéndez, L. F., Paino, M., Lemos, S. y
Muñiz, J. (2013). Development of a computerized
adaptive test for schizotypy assessment. PLoS ONE
8(9): e73201. Doi: 10.1371.
Fonseca, E. y Muñiz, J. (2017). Quinta evaluación de
tests editados en España: mirando hacia atrás, construyendo el futuro. Papeles del Psicólogo, 38 (3),
161-16.
Foster, D. (2016). Testing technology and its effects on
test security. En F. Drasgow (ed.), Technology and
testing. Nueva York: Routledge.
Frary, R. B. (1980). The effect of misinformation, partial
information, and guessing on expected multiple-choice test item scores. Applied Psychological Measurement, 4 (1), 79-90.
Frary, R. B., Tideman, T. N. y Watts, T. M. (1977). Indices of cheating on multiple choice tests. Journal of
Educacional Statistics, 2, 235-256.
Fraser, C. y McDonald, R. P. (1988). NOHARM: Least
squares item factor analysis. Multivariate Behavioral
Research, 23, 267-269.
Fremer, J. (1996). Promoting high standards for test use:
Developments in the United States. European Journal
of Psychological Assessment, 12, 160-168.
Friedman, H. S. (1983). On shutting one’s eyes to face
validity. Psychological Bulletin, 94, 185-187.
Frisbie, D. A. y Becker, D. F. (1991). An analysis of textbook advice about true-false tests. Applied Measurement in Education, 4, 67-83.
Gaito, J. (1980). Measurement scales and statistics: Resurgence of an old misconception. Psychological Bulletin, 87, 564-567.
Galton, F. (1883). Inquires into Human Faculty and its
Development. Londres: MacMillan.
García-Cueto, E., Muñiz, J. y Lozano, L. M. (2002). Influencia del número de alternativas en las propiedades psicométricas de los tests. Metodología de las
Ciencias del Comportamiento, supl., 201-205.
García-Pérez, M. A. (1987). A finite state theory of
performance in multiple-choice tests. En E. E. Roskam y R. Suck (eds.), Progress in Mathematical
Psychology, 1. North Holland: Elsevier Science Publishers.
358 /
Referencias bibliográficas
García-Pérez, M. A. (1989). La corrección del azar en
pruebas objetivas: un enfoque basado en una nueva
teoría de estados finitos. Investigaciones Psicológicas,
6, 33-62.
Gawronsky, B. y Payne, B. K. (2010). Handbook of implicit social cognition: Measurement, theory, and applications. Nueva York: Guilford.
Geisinger, K. y Usher-Tate, B. J. (2016). A brief history
of educational testing and psychometrics. En C. S.
Wells y M. Faulkner-Bond (eds.), Educational measurement. From foundations to future. Nueva York:
Guilford Press.
Gibbons, J. D., Olkin, I. y Sobel, M. (1979). A subset
selection technique for scoring items on a multiple
choice test. Psychometrika, 44, 259-270.
Gibbons, R. D., Weiss, D. J., Kupfer, D. J., Frank, E.,
Fagiolini, A., Grochocinski, V. J. et al. (2008). Using
computerized adaptive testing to reduce the burden
of mental health assessment. Psychiatric Services, 59
(4), 361-368.
Gierl, M. J. y Haladyna, T. M. (eds.) (2013). Automatic
ítem generation: Theory and practice. Nueva York:
Routledge.
Gierl, M. J., Leighton, J. P. y Tan, X. (2006). Evaluating
DETECT classification accuracy and consistency
when data display complex structure. Journal of Educational Measurement, 43 (3), 265-289.
Gierl, M. J. y Haladyna, T. M. (eds.) (2013). Automatic
item generation: Theory and practice. Nueva York:
Routledge.
Gifford, J. A. y Swaminathan, H. (1990). Bias and the
effect of priors in bayesian estimation of parameters
of item response models. Applied Psychological Measurement, 14 (1), 33-43.
Glas, C. (1990). RIDA: Rasch incomplete design analysis.
Arnhem: The Netherlands, National Institute for
Educational Measurement.
Glaser, R. (1963). Instructional technology and the measurement of learning outcomes: Some questions.
American Psychologist, 18, 519-521.
Glaser, R. y Klaus, D. J. (1962). Proficiency measurement: Assessing human performance. En R. Gagné
(ed.), Psychological principies in system development.
Nueva York: Holt, Rinehart and Winston.
Gleser, G. C., Cronbach, L. J. y Rajaratnam (1965). Generability of scores innuenced by multiple sources of
variance. Psychometrika, 30, 395-418.
Goldstein, G. y Wood, R. (1989). Five decades of item
response modelling. British Journal of Mathematical
and Statistical Psychology, 42, 139-167.
Gómez, J. (1996). Aportaciones de los modelos de estructuras de covarianza al análisis psicométrico. En J.
Muñiz (ed.), Psicometría (pp. 456- 554). Madrid:
Universitas.
Gómez, J., Hidalgo, M. D. y Gilera, G. (2010). El sesgo
de los instrumentos de medición. Tests justos. Papeles
del Psicólogo, 31 (1), 75-84.
Goodenough, F. L. (1949). Mental Testing: Its History,
Principles, and Applications. Nueva York: Rinehart.
Goodman, D. P. y Hambleton, R. K. (2004). Student test
score reports and interpretive guides: Review of curret practices and suggestions for future research.
Applied Measurement in Education, 17, 145-220.
Greaud, V. A. (1988). Some effects of applying unidimensional IRT to multidimensional tests. AERA annual
meeting, Nueva Orleans.
Green, D. R. (1998). Consequential aspects of the validity of achievement tests: A publisher’s point of view.
Educational Measurement: Issues and Practice, 17,
16-19.
Green, P. E. (1976). Mathematical Tools for Applied Multivariate Analysis. Londres: Academic Press.
Green, S. B., Lissitz, R. W. y Mulaik, S. A. (1977). Limitations of coefficient alpha as an index of test unidimensionality. Educacional and Psychological Measurement, 37, 827-838.
Greeno, J. G. (1980). Mathematics in psychology. En P.
C. Dodwell (ed.), New horizons in Psychology (93113). Londres: Penguin Books.
Greenwald, A. G. y Banaji, M. R. (1995). Implicit social
cognition: Attitudes, self-esteem, and stereotypes.
Psychological Review, 102, 4-27.
Greenwald, A. G., Poehlman, T. A., Uhlmann, E. I. y
Banaji, M. R. (2009). Understanding and using the
implicit association test: III. Meta-analysis of predictive validity. Journal of Personality and Social Psychology, 97, 17-41.
Grier, J. (1975). The number of alternatives for optimum
test reliability. Journal of Educacional Measurement,
12, l09-112.
Grier, J. (1976). The optimal number of alternatives at a
choice point with travel time considered. Journal of
Mathematical Psychology, 14, 91-97.
Grosse, M. E. y Wright, B. D. (1986). Setting, evaluating,
and maintaining certification standards with the
Rasch model. Evaluation and the Health Proffesions,
9 (3), 267-285.
Guilford, J. P. (1936, 1954). Psychometric Methods. Nueva York: McGraw-Hill.
Guilford, J. P. (1967). The Nature of Human Intelligence.
Nueva York: McGraw-Hill.
Guion, R. M. y Gibson, W. M. (1988). Personnel selection and placement. Annual Review of Psychology,
39, 349-374.
Gulliksen, H. (1950). Theory of Mental Tests. Nueva
York: Wiley (reimpreso en 1987).
Gustafsson, J. E. (1980). A solution of the conditional
estimation problem for long tests in the Rasch model
© Ediciones Pirámide
Referencias bibliográficas
for dichotomous items. Educational and Psychological Measurement, 40, 377-385.
Guttman, L. (1945). A basis for analyzing test-retest reliability. Psychometrika, 10, 255-282.
Gwet, K. L. (2014). Handbook of inter-rater reliability.
Gaithersburg, MD: Advanced Analytics.
Haberman, S. J. (1974). The Analysis of Frecuency Data.
Chicago: University of Chicago Press.
Haberman, S. J. (1978). Analysis of Qualitative Data (2
vols.). Nueva York: Academic Press.
Haberman, S. J., Sinharay, S. y Chon, K. H. (2013).
Assessing item fit for unidimensional item response theory models using residuals from estimated
item response functions. Psychometrika, 78, 417440.
Haebara, T. (1980). Equating logistic ability scales by
weighted least method. Japanese Psychological Research, 22, 144-149.
Haertel, E. H. (2002). Standard setting as a participatory
process: Implications for validation of standards-based accountability programs. Educational Measurement: Issues and Practice, 21, 16-22.
Hakel, M. D. (1986). Personnel selection and placement.
Annual Review of Psychology, 37, 351-380.
Hakstian, A. R. y Whalen, T. E. (1976). A K-sample significance test for independent alpha coefficients.
Psychometrika, 41, 219-231.
Haladyna, T. M. (2004). Developing and validating multiple-choice test item (3.a ed.). Hillsdale, NJ: LEA.
Haladyna, T. M., Downing, S. M. y Rodríguez, M. C.
(2002). A review of multiple-choice item-writing guidelines. Applied Measurement in Education, 15 (3),
309-334.
Haladyna, T. M. y Rodríguez, M. C. (2013). Developing
and validating test items. Nueva York: Routledge.
Haladyna, T. M., Downing, S. M. y Rodríguez, M. C.
(2002). A Review of Multiple-Choice Item-Writing
Guidelines for Classroom Assessment. Applied Measurement in Education, 15, 309-333.
Hambleton, R. K. (ed.) (1980). Contributions to criterion-referenced testing technology. Applied Psychological Measurement, 4 (4), 421-581 (número especial
dedicado a los tests referidos al criterio).
Hambleton, R. K. (1980). Test score validity and standard setting methods. En R. A. Berk (ed.), Criterionreferenced measurement: The state of the art (pp. 80123). Baltimore, MD: Johns Hopkins University
Press.
Hambleton, R. K. (1983a). Applications of item respose
theory. Vancouver: Educational Research Institute of
British Columbia.
Hambleton, R. K. (1983b). Application of item response
models to criterion-referenced assesment. Applied
Psychological Measurement, 7 (1), 33-44.
© Ediciones Pirámide
/ 359
Hambleton, R. K. (1990). Item Response Theory: Introduction and Bibliography. Psicothema, 11 (1), 97107.
Hambleton, R. K. (1994a). The rise and fall of criterionreferenced measurement? Educational Measurement:
Issues and Practice, 13 (4), 21-26.
Hambleton, R. K. (2004). Theory, methods and practices
in testing for the 21st century. Psicothema, 16 (4),
696-701.
Hambleton, R. K. (2006). Good practices for identifying
differential item functionaing. Medical Care, 44 (11),
182-188.
Hambleton, R. K. (2006). Testing practices in the 21st
century. Key Note Address, University of Oviedo,
Spain, March 8th.
Hambleton, R. K. (2009). Predicting future directions in
testing practices. ATP Conference, Palm Springs, February, 22-25, 2009.
Hambleton, R. K. y Novick, M. R. (1973). Toward an
integration of theory and method for criterion-referenced tests. Journal of Educational Meeasurement,
10, 159-170.
Hambleton, R. K. y Plake, B. S. (1995). Using an extended Angoff procedure to set standards on complex
performance assessments. Applied Measurement in
Education, 8, 41-56.
Hambleton, R. K. y Pitoniak, M. J. (2006). Setting performance standards. En R. L. Brennan (ed.), Educational measurement. Westport, CT: Praeger.
Hambleton, R. K. y Rogers, H. J. (1989). Detecting potentially biased test items: Comparison of IRT area
and Mantel-Haenszel methods. Applied Measurement
in Education, 2 (4), 313-334.
Hambleton, R. K. y Rovinelli, R. J. (1986). Assessing the
dirnensionality of a set of test items. Applied Psychological Measurement, 10, 3, 287-302.
Hambleton, R. K. y Slater, S. C. (1997). Reliability of
credentialing examinations and the impact of scoring
models and standard-setting policies. Applied Measurement in Education, 10 (1), 19-38.
Hambleton, R. K. y Swaminathan, H. (1985). Item Response Theory. Principles and applications. Boston:
Kluwer-Nijhoff.
Hambleton, R. K., Clauser, B. E., Mazor, K. M. y Jones,
R. W. (1993). Advances in the detection of differentially functioning test items. European Journal of
Psychological Assessment, 9 (1), 1-18.
Hambleton, R. K., Swaminathan, H. y Rogers, H. J.
(1991). Fundamentals of item response theory.
Newbury Park, CA: Sage.
Hambleton, R. K., Merenda, P. F. y Spielberger, C. D.
(2005). Adapting educational and psychological tests
for cross-cultural assessment. Londres: Lawrence Erlbaum Associates.
360 /
Referencias bibliográficas
Hambleton, R. K., Swaminathan, H., Algina, J. y Coulson, D. (1978). Criterion-referenced testing and
measuremente: A review of technical issues and developments. Review of Educational Research, 48,
1-47.
Han, K. T. (2007). WinGen: Windows software that generates IRT parameters and item responses. Applied
Psychological Measurement, 31 (5), 457-459.
Han, K.T. y Rudner, L. M. (2016). Decision consistency.
En C. S. Wells y M. Faulkner-Bond (eds.), Educational measurement. From foundations to future. Nueva
York: Guilford Press.
Hanley, J. A. (1987). Standard error of the Kappa statistic. Psychological Bulletin, 102 (2), 315-321.
Hanson, B. A., Harris, D. J. y Brennan, R. L. (1987). A
comparison of several statistical mechods for examining allegations of copying, ACT Research Report Series 87-15. Iowa City, IA: American College Testing
Program.
Harrison, D. A. (1986). Robustness of IRT parameter estimation to violations of the unidimensionality assumption. Journal of Educational Statistics, 11 (2),
91-115.
Hartigan, J. A. (1975). Clustering Algorithms. Nueva
York: Wiley.
Hattie, J. A. (1984). An empirical study of various indices
for determining unidimensionality. Multivariate Behavioral Research, 19, 49-78.
Hattie, J. A. (1985). Assessing unidimensionality of tests
and items. Applied Psychological Measurement, 9,
139-164.
Hattie, J., Krakowski, K., Roger, J. y Swaminathan, H.
(1996). An assessment of Stout’s index of essential
unidimensionality. Applied Psychological Measurement, 20, 1-14.
Hattie, J. A. y Krakowski, K. (1994). DIMENSION: A
program to generate unidimensional and multidimensional item data. Applied Psychological Measurement, 17, 252.
Heise, D. R. y Bohrnstedt, G. W. (1970). Validity, invalidity, and reliability. En E. F. Borgatta y G. W. Bohrnstedt (eds.), Sociological Methodology. San Francisco, CA: Jossey Bass.
Hernández, A. y González Romá, V. (2000). Evaluación
de matrices multirrasgo-multiocasión a través de modelos factoriales aditivos y multiplicativos. Psicothema, 12, 283-287.
Hernández, A., Ponsoda, V., Muñiz, J., Prieto, G. y Elosua, P. (2016). Revisión del modelo para evaluar la
calidad de los tests utilizados en España. Papeles del
Psicólogo, 37, 192-197.
Hernández, A., Tomás, I., Ferreres, A. y Lloret, S. (2015).
Tercera evaluación de tests editados en España. Papeles del Psicólogo, 36, 1-8.
Hidalgo, M. D. y López-Pina, J. A. (2000). Funcionamiento diferencial de los ítems: presente y perspectivas de futuro. Metodología de las Ciencias del Comportamiento, 2, 167-182.
Hocking, R. R. (1976). The analysis and selection of variables in linear regression. Biometrics, 32, 1-49.
Hofmann, W., Gawronski, B., Gschwendner, T., Le, H. y
Schmitt, M. (2005). A Meta-Analysis on the Correlation Between the Implicit Association Test and Explicit Self-Report Measures. Personality and Social
Psychology Bulletin, 31 (10), 1369-1385.
Hofstee, W. K. (1983). The case for compromise in educational selection and grading. En S. B. Anderson y
J. S. Helmick (eds.), On educacional testing. San Francisco, CA: Jossey Bass.
Hogan, J., Barrett, P. y Hogan, R. (2007). Personality
measurement, faking, and employment selection.
Journal of Applied Psychology, 92 (5), 1270-1285.
Hogan, T. P. y Murphy, G. (2007). Recommendations for
preparing and scoring constructed-response ittems:
What the experts say. Applied Measurement in Education, 20 (4), 427-441.
Holland, P. W. (1985). On the study of Differential Item
Performance without IRT. Proceedings of the Military Testing Association, octubre.
Holland, P. W. y Rubin, D. R. (eds.) (1982). Test equating.
Nueva York: Academic Press.
Holland, P. W. y Thayer, D. T. (1985). An alternative definition of the ETS delta seale of item difficulty. Princeton, NJ: Educational Testing Service, Research Report RR-85-43.
Holland, P. W. y Thayer, D. T. (1986). Differential item
functioning and the Mantel-Haenszel procedure (pp.
86-99). Princeton, NJ: Educational Testing Service,
Research Report.
Holland, P. W. y Thayer, D. T. (1988). Differential item
performance and the Mantel-Haenszel procedure. En
H. Wainer y H. I. Braun (eds.), Test validity. Hillsdale, NJ: LEA.
Holland, P. W. y Wainer, H. (eds.) (1993). Differential
item functioning. Hillsdale, NJ: LEA.
Horst, P. (1966). Psychological Measurement and Prediction. Belmont, CA: Wadsworth.
Hough, L. M. y Oswald, F. L. (2000). Personnel selection:
Looking toward the future, remembering the past.
Annual Review of Psychology, 51, 631-664.
Hoyt, C. (1941). Test relibility obtained by analysis of
variance. Psychometrika, 6, 153-160.
Hu, L. T. y Bentler, P. M. (1999). Cutoff criteria for fit
indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6 (1), 1-55.
Huberty, C. J. (1975). Discriminant analysis. Review of
Educacional Research, 45, 543-598.
© Ediciones Pirámide
Referencias bibliográficas
Hulin, C. L., Drasgow, F. y Parsons, C. K. (1983). Item
response theory. Aplication to psychological measurement. Homewood, IL: Dow Jones-lrvin.
Hutchinson, T. P. (1982). Some theories of performance
in multiple-choice test, and their implications for variants of the task. British Journal of Mathematical
and Statistical Psychology, 35, 71-89.
Huynh, H. (1976). On the reliability of decisions in domain-referenced testing. Journal of Educacional Measurement, 13, 253-264.
Impara, J. C. y Foster, D. (2006). Item and test development strategies to minimize test fraud. En S. M.
Downing y T. M. Haladyna (eds.), Handbook of test
development. Mahwah, NJ: Lawrence Erlbaum Associates.
International Test Commission (2017). The ITC Guidelines for Translating and Adapting Test (second edition) [www.IntestCom.Org].
Ip, E. H. (2001). Testing for local dependency in dichotomous and polytomous item response models. Psychometrika, 66 (1), 109-132.
Ironson, G. H. (1982). Use of chi-square and latent trait
approaches for detecting item bias. En R. A. Berk
(ed.), Handbook of methods for detecting test bias.
Baltimore, MD: The Johns Hopkins University
Press.
Ironson, G. H. y Subkoviak, M. (1979). A comparation
of several methods of assessing item bias. Journal of
Educational Measurement, 16, 209-225.
Irvine, S. y Kyllonen, P. (eds.) (2002). Item generation for
test development. Mahwah, NJ: Lawrence Erlbaum.
Izquierdo, I., Olea, J. y Abad, F. J. (2014). Exploratory
factor analysis en validation studies: Uses and recommendations. Psicothema, 26, 395-400.
Jaeger, R. M. (1982). An iterative structured judgment
process for establishing standards on competence
tests: Theory and application. Educacional Evaluation and Policy Analysis, 4, 461-475.
Jaeger, R. M. (1989). Certification of student competence. En R. L. Linn (ed.), Educational Measurement (3.a
ed.). Nueva York: MacMillan.
Jaeger, R. M. (1991). Selection of judges for standardsetting. Educacional Measurement: Issues and Practice, 10 (2), 3-6.
Jaeger, R. M. (1995). Setting performance standards
through two-stage judgmental policy capturing.
Applied Measurement in Education, 8, 15-40.
Jennrich, R. I. y Bentler, P. M. (2011). Exploratory bifactor analysis. Psychometrika, 76 (4), 537-549.
Jensen, A. R. (1969). How much can be boost IQ and
scholastic achievment? Harvard Educational Review,
39, 1-123.
Jensen, A. R. y Munro, E. (1979). Redaction Time, Movement Time and Intelligence. Intelligence, 3, 121-126.
© Ediciones Pirámide
/ 361
Joint Committeee of Testing Practices (2004). Code of
fair testing practices. Washington, DC: American
Psychological Association.
Joncich, G. (1968). The Sane Positivist: A Biography of
Edward L. Thorndike. Middletown, CT: Wesleyan
University Press.
Jones, R. F. (1986). A comparison of the predictive validity of the MCAT for coached and uncoached students. Journal of Medical Education, 61, 335-338.
Jöreskog, K. G. y Sörbom, D. (1976). Statistical models and
methods for test-retest situations. En D. N. Gruijter y
L. J. Van der Kamp (eds.), Advances in Psychological
and Educacional Measurement. Nueva York: Wiley.
Juan-Espinosa, M. (1997). Geografía de la inteligencia humana. Madrid: Pirámide.
Kane, M. T. (1994). Validating the performance standards associated with passing scores. Revíew of Educacional Research, 64, 425-461.
Kane, M. (2002). Validating high-stakes testing programs.
Educational Measurement: Issues and Practice, 21,
31-41.
Kane, M. (2006a). Content-related validity evidence in
test development. En S. M. Downing y T. M. Haladyna (eds.), Handbook of test development. Mahwah, NJ: LEA.
Kane, M. (2006b). Validation. En R. Brennan (ed.), Educational measurement. Westport, CT: Praeger.
Kane, M. (2016). Validation strategies: Delineating and
validating proposed interpretations and uses of test
scores. En S. Lane, M. R. Raymond y T. M. Haladyna (eds.), Handbook of test development. Nueva York:
Routledge.
Kelley, T. L. (1928). Crossroads in the Mind of Man. Stanford, CA: Stanford University Press.
Kelley, T. L. (1939). The selection of upper and lower
groups for the validation of tests items. Journal of
Educacional Psychology, 30, 17-24.
Kenny, D. A. (1994). The multitrait-multimethod matrix:
Design, analysis, and conceptual issues. En P. E. Shorut y S. T. Fiske (eds.), Personality research, methods
and theory. Hillsdale, NJ: LEA.
Kerlinger, F. N. y Pedhazur, E. J. (1973). Multiple Regression in Behavioral Research. Nueva York: Holt, Rinehart and Winston.
Kirk, R. E. (1995). Experimental design: Procedures for
the behavioral sciences (3.a ed.). Pacific Grove, CA:
Brooks/Cole.
Klecka, W. R. (1980). Discriminant Analysis. Beverly
Hills, CA: Sage.
Kline, R. B. (2015). Principles and practice of structural
equation modeling (4.a ed.). Nueva York: Guilford Press.
Koffier, S. L. (1980). A comparison of approaches for
setting proficiency standards. Journal of Educacional
Measurement, 17, 167-178.
362 /
Referencias bibliográficas
Kolen, M. J. (1988). Traditional equating methodology.
Educational Measurement, 7 (4), 29-36.
Kolen, M. J. y Brennan, R. L. (2014). Test equating, scaling, and linking: Methods and practices. Nueva York:
Springer.
Koo, T. K y Li, M. Y. (2016). A guideline for selecting
and reporting intraclass correlation coefficients for
reliability research. Journal of Chiropractic Medicine,
15 (2), 155-163.
Kopec, J. A., Badii, M., McKenna, M., Lima, V. D., Sayre, E. C. y Dvorak, M. (2008). Computerized adaptive testing in back pain: Validation of the CAT5DQOL. Spine, 33, 1384-1390.
Kosinski, M., Stillwell, D. y Graepel, T. (2013). Private
traits and attributes are predictable from digital records of human behaviour. Proceedings of the National Academy of Sciences (PNAS), 110 (15), 58025805.
Krantz, D. H., Atkinson, R. C., Luce, R. D. y Suppes, P.
(eds.) (1974). Contemporary Developmencs in Mathematical Psychology (vol. 1: Leaming, Memory, and
Thinking). San Francisco, CA: Freeman.
Kristof, W. (1963). The statistical theory of stepped-up
reliability coefficients when a test has been divided
into several equivalent parts. Psychometrika, 28, 221238.
Krosnick, J. A. (1999). Survey research. Annual Review of
Psychology, 50, 537-567.
Krosnick, J. A. y Presser, S. (2010). Question and questionnaire desing. En P. V. Marsden y J. D. Wright
(eds.), Handbook of survey research (2.a ed.). Bingley,
Inglaterra: Emerald Group.
Kuder, G. F. y Richardson, M. W. (1937). The theory of
the estimation of test reliability. Psychometrika, 2,
151-160.
Laming, D. (1973). Mathematical Psychology. Londres:
Academic Press.
Lane, S. (2014). Validity evidence based on testing consequences. Psicothema, 26, 127-135.
Lane, S. y Stone, C. A. (2002). Strategies for examining
the consequences of assessment and accountability
programs. Educational Measurement: Issues and
Practice, 21, 23-30.
Lane, S., Parke, C. S. y Stone, C. A. (1998). A framework
for evaluating the consequences of assessment programs. Educational Measurement: Issues and Practice, 17, 24-28.
Lane, S., Raymond, M. R. y Haladyna, T. M. (eds.)
(2016). Handbook of test development. Nueva York:
Routledge.
Lasko, T. A., Bhagwat, J. G., Zou, K. H. y Ohno-Machad, L. (2005). The use of receiver operating characteristic curves in biomedical informatics. Journal of
Biomedical Informatics, 38, 404-415.
Lawley, D. N. (1943). On problems connected with item
selection and test construction. Proceedings of the
Royal Society of Edimburg, 61, 273-287.
Lawley, D. N. (1944). The factorial analysis of multiple
item tests. Proceedings of the Royal Society of Edinburg, 62, 74-82.
Lazarsfeld, P. F. (1950). The logical and mathematical
foundation of latent structure analysis. En S. A.
Stouffer et al., Measurement and prediction. Princeton, NJ: Princeton University Press.
Lee, R., Miller, K. J. y Graham, W. K. (1982). Correction
for restriction of range and attenuation in criterion
related validation studies. Journal of App/ied Psychology, 67 (5), 637-639.
Leeson, H. V. (2006). The mode effect:
Descargar